Max Home IndustryКаждый год исследователи со всего мира посещают Национальную ускорительную лабораторию SLAC Министерства энергетики США, чтобы проводить сотни экспериментов в области химии, материаловедения, биологии и энергетики с помощью рентгеновского лазера с линейным источником когерентного света (LCLS). LCLS создает ультраяркие рентгеновские лучи из высокоэнергетических пучков электронов, создаваемых гигантским линейным ускорителем частиц.
Эксперименты в LCLS проводятся круглосуточно, в две смены по 12 часов в день. В начале каждой смены операторы должны настраивать производительность ускорителя, чтобы подготовить рентгеновский луч для следующего эксперимента. Иногда также требуется дополнительная настройка во время смены. В прошлом операторы ежегодно тратили сотни часов на выполнение этой задачи, называемой настройкой ускорителя.
Теперь исследователи SLAC разработали новый инструмент с использованием машинного обучения, который может ускорить процесс настройки в пять раз по сравнению с предыдущими методами. Они описали этот метод в Письмах о физических проверках от 25 марта.
Настройка луча
Создание мощного рентгеновского луча LCLS начинается с подготовки высококачественного электронного луча. Затем часть энергии электронов преобразуется в рентгеновский свет внутри специальных магнитов. Свойства электронного пучка, который должен быть плотным и четко сфокусированным, являются решающим фактором в том, насколько хорошим будет рентгеновский пучок.
«Даже небольшая разница в плотности электронного луча может существенно повлиять на количество рентгеновских лучей, которые вы получаете в конце», — говорит Дэниел Ратнер, руководитель инициативы SLAC по машинному обучению и член команда, разработавшая новую технику.
В ускорителе используется серия из 24 специальных магнитов, называемых квадрупольными магнитами, для фокусировки электронного луча аналогично тому, как фокусируют свет стеклянные линзы. Традиционно люди-операторы осторожно поворачивали ручки для регулировки отдельных магнитов между сменами, чтобы убедиться, что ускоритель производит рентгеновский луч, необходимый для конкретного эксперимента. Этот процесс отнимал у операторов много времени — времени, которое они могли потратить на другие важные задачи, улучшающие луч для экспериментов.
Несколько лет назад операторы LCLS внедрили компьютерный алгоритм, который автоматизировал и ускорил настройку магнита. Однако у этого были свои недостатки. Он был направлен на улучшение рентгеновского луча путем случайной регулировки силы магнитов. Но, в отличие от людей-операторов, этот алгоритм не имел предварительных знаний о структуре ускорителя и не мог делать обоснованных предположений при настройке, которые в конечном итоге могли бы привести к еще лучшим результатам.
Вот почему исследователи SLAC решили разработать новый алгоритм, сочетающий машинное обучение — «умные» компьютерные программы, которые учатся со временем становиться лучше, — со знаниями о физике ускорителя.
«Подход машинного обучения пытается связать все это вместе, чтобы предоставить операторам лучшие инструменты, чтобы они могли сосредоточиться на других важных проблемах», — говорит Джозеф Дурис, ученый SLAC, который руководил новым исследованием.
Лучше лучше, быстрее
В новом подходе используется метод, называемый гауссовским процессом, который предсказывает влияние конкретной настройки ускорителя на качество рентгеновского луча. Это также порождает неопределенность в своих прогнозах. Затем алгоритм решает, какие корректировки следует попробовать для наибольших улучшений.
Например, он может решить попробовать радикальную корректировку, результат которой очень неуверен, но может привести к большой отдаче. Это означает, что у этого нового, авантюрного алгоритма больше шансов, чем у предыдущего алгоритма, внести изменения, необходимые для создания наилучшего из возможных рентгеновских лучей.
Исследователи SLAC также использовали данные предыдущих операций LCLS, чтобы научить алгоритм, какая сила магнитов обычно приводит к более ярким рентгеновским лучам, давая алгоритму способ делать обоснованные предположения о корректировках, которые он должен попробовать. Это дает алгоритму знания и опыт, которые естественным образом есть у людей-операторов и которых не хватало в предыдущем алгоритме.
«Мы можем положиться на эти знания физики, эти институциональные знания, чтобы улучшить прогнозы», — говорит Дурис.
Понимание взаимосвязи магнитов друг с другом также улучшило эту технику. Квадрупольные магниты работают парами, и для увеличения их фокусирующей способности сила одного магнита в паре должна быть увеличена, а сила другого — уменьшена.
По оценкам исследователей, с новым процессом настройка квадрупольных магнитов стала в 3-5 раз быстрее. Кроме того, он дает лучи более высокой интенсивности, чем использовавшийся ранее алгоритм.
«Наша способность повысить эффективность настройки действительно очень важна для того, чтобы доставлять луч быстрее и с лучшим качеством людям, которые приезжают со всего мира для проведения экспериментов», — говорит Джейн Шталенкова, оператор ускорителя. в SLAC, который работал с Дурисом, Ратнером и другими над разработкой нового инструмента.
Помимо LCLS
Тот же метод можно расширить для настройки других свойств электронного или рентгеновского пучка, которые ученые могут захотеть оптимизировать для своих экспериментов. Например, исследователи могут применить эту технику, чтобы максимизировать сигнал, который они получают из своего образца после попадания на него рентгеновского луча LCLS.
Эта гибкость также делает новый алгоритм полезным для других объектов.
«В этом алгоритме машинного обучения хорошо то, что вы можете относительно легко осуществлять передачу технологий», — говорит Ади Ханука, ученый SLAC, который тестировал эту технику на трех других ускорителях: SPEAR3, ускорительном кольце, питающем Стэнфордский синхротрон SLAC. Источник радиационного света (SSRL); PEGASUS в Калифорнийском университете в Лос-Анджелесе; и усовершенствованный источник фотонов (APS) в Аргоннской национальной лаборатории Министерства энергетики США.
«Этот инструмент сейчас существует в нескольких лабораториях», — говорит Ханука. «Надеюсь, мы скоро интегрируем его в еще большее количество лабораторий».