机器学习提高了同步加速器光束性能

来自劳伦斯•伯克利国家实验室（Berkeley Lab）和加利福尼亚大学伯克利分校（UC Berkeley）的研究团队展示了机器学习如何提高同步加速器光束性能的稳定性。同步加速器，例如伯克利实验室的Advanced Light Source（ALS），是一种粒子加速器，可以加速电子以受控光束的形式发射光。它们使科学家可以使用各种颜色和波长来探索样品，许多同步加速器设备可以为同时进行的数十个实验提供不同类型的光。

该图显示了在高级光源操作期间实施神经网络时，垂直光束大小的稳定性如何大大提高。 当实施所谓的前馈校正时，垂直光束尺寸的波动从百分之几的水平稳定到低于百分之一的水平（请参阅黄色突出显示的部分）。 由劳伦斯•伯克利国家实验室提供。

但是，对单个光束线进行的调整会反馈到整个设备的整体性能中。这些性能上的波动会给某些实验带来问题。研究人员于2019年初在ALS环附近的两个不同地点成功地测试了机器学习算法。他们提醒ALS用户进行实验以测试新算法，并要求他们就任何意外的性能问题提供反馈。“我们从今年4月到6月对用户操作进行了一致的测试，” ALS的博士后研究员C. Nathan Melton说，他于2018年加入机器学习团队，并与前加州大学伯克利分校的研究生Shuai Liu紧密合作，为这项工作做出了贡献，并且是该研究的合作者。

ALS的加速器操作和开发副总裁，机器学习工作的首席研究员Simon Leemann说：“我们对测试没有任何负面反馈，团队使用的监视光束之一是不断测量加速器性能的诊断光束，而另一条是正在积极运行实验的光束。”机器学习工具通过调整可以极大地消除这些波动，从而提高了光束尺寸的稳定性-将其从百分之几的水平降低到0.4％，达到亚微米的精度。Leemann说：“机器学习从根本上需要两件事：问题必须是可重现的，并且您需要大量的数据。”“我们意识到我们可以使用我们的所有数据，并拥有识别模式的算法。”

研究人员将来自ALS的电子束数据（包括用于从电子束产生光的磁性设备的位置）输入到神经网络中。网络识别出该数据中的图案，并确定不同的设备参数如何影响电子束的宽度。机器学习算法还建议调整磁体以优化电子束。因为电子束的大小反映了磁体产生的最终光束，所以该算法还优化了用于研究ALS处材料特性的光束。数据显示，由于在各个射束线上进行了调整，电子束性能几乎没有出现斑点，并且该算法找到了一种调整电子束的方法，以使其比传统方法更好地消除了这种影响。

Leemann说，以算法为导向的系统现在可以以每秒10次的速度进行校正，尽管每秒3次似乎足以改善此阶段的性能。机器学习团队于2018年8月从美国能源部获得了两年资金，以与SLAC国家加速器实验室的斯坦福同步加速器辐射光源合作，开展该项目和其他机器学习项目。Leemann说：“我们有计划继续进行开发，并且我们还尝试了一些新的机器学习思想。”