Wetenschappers hebben een nieuw machine-learningplatform ontwikkeld dat de algoritmen die deeltjesbundels en lasers aansturen, slimmer dan ooit tevoren maakt. Hun werk zou kunnen leiden tot de ontwikkeling van nieuwe en verbeterde deeltjesversnellers die wetenschappers zullen helpen de geheimen van de subatomaire wereld te ontrafelen.

Daniele Filippetto en collega's van het Lawrence Berkeley National Laboratory van het Department of Energy (Berkeley Lab) ontwikkelden de opstelling om automatisch te compenseren voor realtime wijzigingen in versnellerstralen en andere componenten, zoals magneten. Hun machinale leerbenadering is ook beter dan moderne straalbesturingssystemen, zowel om te begrijpen waarom dingen mislukken, als om vervolgens fysica te gebruiken om een ​​antwoord te formuleren. Een paper waarin het onderzoek werd beschreven, werd eind vorig jaar gepubliceerd in Nature Scientific Reports .

"We proberen een chip natuurkunde te leren, terwijl we hem tegelijkertijd de wijsheid en ervaring geven van een senior wetenschapper die de machine bedient", zegt Filippetto, een stafwetenschapper bij de Accelerator Technology &Applied Physics Division (ATAP) bij Berkeley Lab en adjunct-directeur van het Berkeley Accelerator Controls and Instrumentation Program (BACI)-programma.

Hun onderzoek kan ook invloed hebben op meerdere toegepaste gebieden van deeltjesversnellers, variërend van autonome operaties in industriële en medische omgevingen tot verhoogde precisie in wetenschappelijke toepassingen, zoals lineaire versnellers en ultrasnelle vrije-elektronenlasers.

De nieuwe techniek werd gedemonstreerd in de High Repetition-Rate Electron Scattering Apparatus (HiRES)-versneller in Berkeley Lab in samenwerking met onderzoekers van Los Alamos National Laboratory en UCLA. De belangrijkste toepassing van de HiRES-bundellijn is het uitvoeren van structurele dynamische experimenten op nieuwe kwantummaterialen. Het instrument heeft bijgedragen aan tal van wetenschappelijke ontdekkingen, zoals het uitvoeren van de allereerste ultrasnelle elektronendiffractiestudies van optisch smelten van tantaalditelluride, een materiaal met interessante en potentieel bruikbare eigenschappen. Nu toont deze nieuwe machine zijn nut om nieuwe methoden te ontwikkelen voor het besturen van brede klassen van versnellers.

Deeltjesversnellers produceren en versnellen bundels van geladen deeltjes, zoals elektronen, protonen en ionen, van atomaire en subatomaire grootte. Naarmate de machines krachtiger en complexer worden, wordt controle en optimalisatie van de deeltjes- of laserstraal belangrijker om te voldoen aan de behoeften van wetenschappelijke, medische en industriële toepassingen.

Filippetto en collega's van het BACI-programma leiden de wereldwijde ontwikkeling van machine learning-tools. Deze tools bieden een platform om slimme algoritmen te ontwikkelen die snel en nauwkeurig reageren op onvoorziene verstoringen, leren van hun fouten en de beste strategie aannemen om het instelpunt van de doelstraal te bereiken of te behouden.

De tools die ze ontwikkelen hebben als bijkomend voordeel dat ze een nauwkeurig model bieden van het algemene gedrag van een deeltjesversnellersysteem, ongeacht de complexiteit. Controllers kunnen deze nieuwe en verbeterde mogelijkheden gebruiken om effectievere realtime beslissingen te nemen.

De huidige focus van Filippetto's werk is het gebruik van de kracht en voorspelling van machine learning-tools om de algehele stabiliteit van deeltjesbundels te vergroten.

"Als je de straaleigenschappen kunt voorspellen met een nauwkeurigheid die hun fluctuaties overtreft, kun je de voorspelling gebruiken om de prestaties van de versneller te verbeteren," zei hij. "Realtime kennis van de belangrijkste straalparameters zou een enorme impact hebben op de uiteindelijke nauwkeurigheid van experimenten."

In eerste instantie lijkt het onwaarschijnlijk dat een dergelijke aanpak nauwkeurige resultaten oplevert, vergelijkbaar met uitdagingen bij het voorspellen van het gedrag van de aandelenmarkt, maar de eerste resultaten van de groep zijn veelbelovend. In feite laat het gebruikte algoritme, dat is gebaseerd op neurale netwerkmodellen, een tienvoudige toename zien in de precisie van voorspelde straalparameters in vergelijking met typische statistische analyse. In gerelateerd werk ging een recente Halbach-prijs naar Simon Leemann, stafwetenschapper in de Accelerator Physics Group in ATAP, en medewerkers voor de ontwikkeling van besturingsmethoden voor machine learning die de prestaties van de geavanceerde lichtbron verbeteren door de zeer relativistische elektronenstraal bij de experimentele bronpunten met ongeveer één orde van grootte, een ongekend niveau.

In gerelateerd onderzoek gepubliceerd in Optics Express , Dan Wang, een onderzoekswetenschapper in de BACI-groep die drie jaar geleden haar carrière bij Berkeley Lab begon als postdoctoraal onderzoeker, gebruikt machine learning-tools om de technologie van controle in complexe lasersystemen te bevorderen. In het geval van Wang is het uiteindelijke doel om honderden ultra-intensieve laserpulsen nauwkeurig te kunnen combineren in één krachtige en coherente straal ter grootte van een mensenhaar. In een coherente bundel moet de fase van elke ingangslaser binnen enkele graden van fout worden geregeld, wat een grote uitdaging is. De laserenergie kan op verschillende manieren worden gecombineerd, maar in alle gevallen is het absoluut noodzakelijk dat de coherentie van de bundelreeks wordt gestabiliseerd tegen omgevingsstoringen zoals thermische drift, luchtfluctuaties of zelfs de beweging van de ondersteunende tafel.

Om dit te doen, ontwikkelden Wang en haar collega's een neuraal netwerkmodel dat 10 keer sneller corrigeert voor systeemfouten in de gecombineerde laserarray dan andere conventionele methoden. Het door hen ontwikkelde model is ook in staat het systeem te leren fasefouten en parameterveranderingen in de lasers te herkennen en automatisch te corrigeren voor verstoringen wanneer deze zich voordoen.

De methode van de onderzoekers werkt in zowel simulaties als experimenten in lasers, waarbij ongekende controleprestaties werden bereikt. De volgende stap in het onderzoek is het implementeren van machine learning-modellen op edge-computers, zoals Field Programmable Gate Arrays (FPGA's) voor een snellere respons, en ook om de veralgemening van deze op machine learning gebaseerde besturingsmethode aan te tonen in complexere systemen waar veel meer variabelen om rekening mee te houden.

"Ik kom uit een acceleratorachtergrond, maar tijdens mijn postdoc hebben mijn collega's me echt geholpen om de kracht van machine learning te omarmen," zei Wang. "Wat ik heb geleerd, is dat machine learning een krachtig hulpmiddel is om veel verschillende problemen op te lossen, maar je moet altijd je natuurkunde gebruiken om te bepalen hoe je het gebruikt en toepast."

"To meet the needs of new science, this work exemplifies active feedback and machine learning methods that are crucial enablers for the next generation of accelerator and laser performance to power new photon sources and future particle colliders," said Cameron Geddes, director of the Accelerator Technology &Applied Physics Division. + Verder verkennen

New machine learning tool diagnoses electron beams in an efficient, non-invasive way