Synkrotronljuskällor är kraftfulla anläggningar som producerar ljus i en mängd olika "färger, "eller våglängder-från infraröd till röntgenstrålar-genom att accelerera elektroner för att avge ljus i kontrollerade strålar.

Synkrotroner som Advanced Light Source vid Department of Energy's Lawrence Berkeley National Laboratory (Berkeley Lab) låter forskare utforska prover på olika sätt med hjälp av detta ljus, inom områden som sträcker sig från materialvetenskap, biologi, och kemi till fysik och miljövetenskap.

Forskare har hittat sätt att uppgradera dessa maskiner för att producera mer intensiva, fokuserad, och konsekventa ljusstrålar som möjliggör nya, och mer komplexa och detaljerade studier inom ett brett spektrum av provtyper.

Men vissa ljusstråleegenskaper uppvisar fortfarande fluktuationer i prestanda som utgör utmaningar för vissa experiment.

Hanterar ett decennier gammalt problem

Många av dessa synkrotronanläggningar levererar olika typer av ljus för dussintals samtidiga experiment. Och små finjusteringar för att förbättra ljusstråleegenskaperna vid dessa enskilda strållinjer kan återkoppla till den övergripande ljusstrålens prestanda över hela anläggningen. Synkrotrondesigners och operatörer har brottats i decennier med en mängd olika metoder för att kompensera för de mest envisa av dessa fluktuationer.

Och nu, ett stort team av forskare vid Berkeley Lab och UC Berkeley har framgångsrikt visat hur maskininlärningsverktyg kan förbättra stabiliteten i ljusstrålarnas storlek för experiment via justeringar som i hög grad avbryter dessa fluktuationer-vilket reducerar dem från en nivå på några procent nedåt till 0,4 procent, med submikron (under 1 miljonedel av en meter) precision.

Verktygen är detaljerade i en studie som publicerades den 6 november i tidskriften Fysiska granskningsbrev .

Maskininlärning är en form av artificiell intelligens där datorsystem analyserar en uppsättning data för att bygga förutsägbara program som löser komplexa problem. Maskininlärningsalgoritmerna som används vid ALS kallas en form av "neuralt nätverk" eftersom de är utformade för att känna igen mönster i data på ett sätt som löst liknar mänskliga hjärnans funktioner.

I den här studien, forskare matade elektronstråledata från ALS, som inkluderade positionerna för de magnetiska enheterna som används för att producera ljus från elektronstrålen, in i det neurala nätverket. Det neurala nätverket kände igen mönster i dessa data och identifierade hur olika enhetsparametrar påverkade elektronstrålens bredd. Maskininlärningsalgoritmen rekommenderade också justeringar av magneterna för att optimera elektronstrålen.

Eftersom elektronstrålens storlek speglar den resulterande ljusstrålen som produceras av magneterna, algoritmen optimerade också ljusstrålen som används för att studera materialegenskaper vid ALS.

Lösningen kan ha global inverkan

Den framgångsrika demonstrationen vid ALS visar hur tekniken i allmänhet också kan tillämpas på andra ljuskällor, och kommer att vara särskilt fördelaktigt för specialiserade studier som möjliggörs genom en uppgradering av ALS som kallas ALS-U-projektet.

"Det är det fina med det här, "sa Hiroshi Nishimura, en Berkeley Lab-partner som gick i pension förra året och hade engagerat sig i tidiga diskussioner och undersökningar av en maskininlärningslösning för det långvariga problemet med ljusstrålens storlekstabilitet. "Vad gaspedalen än är, och vad den konventionella lösningen än är, denna lösning kan vara ovanpå det. "

Steve Kevan, ALS -chef, sa, "Detta är ett mycket viktigt framsteg för ALS och ALS-U. Under flera år har vi haft problem med artefakter i bilderna från våra röntgenmikroskop. Denna studie presenterar ett nytt framåtgående tillvägagångssätt baserat på maskininlärning, och det har till stor del löst problemet. "

ALS-U-projektet kommer att öka ljusstrålarnas smala fokus från en nivå på cirka 100 mikron ner till under 10 mikron och också skapa en högre efterfrågan på konsekvent, tillförlitliga ljusstråleegenskaper.

Maskininlärningstekniken bygger på konventionella lösningar som har förbättrats under årtiondena sedan ALS startade 1993, och som förlitar sig på konstanta justeringar av magneter längs ALS -ringen som i realtid kompenserar för justeringar vid enskilda strållinjer.

Nishimura, som hade varit en del av teamet som tog ALS online för mer än 25 år sedan, sa att han började studera den potentiella tillämpningen av maskininlärningsverktyg för acceleratorapplikationer för ungefär fyra eller fem år sedan. Hans samtal sträckte sig till experter på datorer och acceleratorer på Berkeley Lab och vid UC Berkeley, och konceptet började gela för ungefär två år sedan.

Lyckad testning under ALS -operationer

Forskare testade framgångsrikt algoritmen på två olika platser runt ALS -ringen tidigare i år. De varnade ALS -användare som utför experiment om testning av den nya algoritmen, och bad dem ge feedback om oväntade prestandaproblem.

"Vi hade konsekventa tester i användarverksamheten från april till juni i år, "sa C. Nathan Melton, en postdoktor på ALS som gick med i maskininlärningsteamet 2018 och arbetade nära Shuai Liu, en tidigare doktorand vid UC Berkeley som bidrog avsevärt till insatsen och är medförfattare till studien.

Simon Leemann, biträdande för acceleratorverksamhet och utveckling vid ALS och huvudutredaren i maskininlärningsinsatsen, sa, "Vi hade ingen negativ feedback på testet. En av de övervakningsstrålar som teamet använde är en diagnostisk strålning som ständigt mäter acceleratorprestanda, och en annan var en strålning där experiment aktivt pågick. "Alex Hexemer, en senior forskare vid ALS och programledare för datorer, fungerat som ledare för utvecklingen av det nya verktyget.

Strållinjen med de aktiva experimenten, Beamline 5.3.2.2, använder en teknik som kallas skanningsöverföringsröntgenmikroskopi eller STXM, och forskare där rapporterade förbättrad ljusstråleprestanda i experiment.

Maskininlärningsteamet noterade att den förbättrade ljusstrålprestandan också är väl lämpad för avancerade röntgentekniker som ptychography, som kan lösa strukturen av prover ner till nivån på nanometrar (miljarder av en meter); och röntgenfotonkorrelationsspektroskopi, eller XPCS, vilket är användbart för att studera snabba förändringar i högkoncentrerade material som inte har en enhetlig struktur.

Andra experiment som kräver pålitliga, mycket fokuserad ljusstråle med konstant intensitet där den interagerar med provet kan också dra nytta av maskininlärningsförbättringen, Leemann noterade.

"Experimentens krav blir hårdare, med skanningar på mindre områden på prover, "sa han." Vi måste hitta nya sätt att korrigera dessa brister. "

Han noterade att kärnproblemet som ljuskällarsamhället har brottats med-och som maskininlärningsverktygen tar upp-är den fluktuerande vertikala elektronstrålstorleken vid strålningens källpunkt.

Källpunkten är den punkt där elektronstrålen vid ljuskällan avger ljuset som färdas till en specifik strållinjes experiment. Medan elektronstrålens bredd vid denna punkt är naturligt stabil, dess höjd (eller vertikal källstorlek) kan variera.

Öppnar den "svarta lådan" för artificiell intelligens

"Detta är ett mycket trevligt exempel på teamvetenskap, "Sa Leemann, noterar att ansträngningen övervann en viss initial skepsis mot maskininlärningens livskraft för att öka acceleratorns prestanda, och öppnade den "svarta lådan" om hur sådana verktyg kan ge verkliga fördelar.

"Detta är inte ett verktyg som traditionellt har varit en del av acceleratorgemenskapen. Vi lyckades föra ihop människor från två olika samhällen för att lösa ett riktigt tufft problem." Omkring 15 Berkeley Lab -forskare deltog i insatsen.

"Maskininlärning kräver i grunden två saker:Problemet måste vara reproducerbart, och du behöver enorma mängder data, "Sa Leemann." Vi insåg att vi kunde använda all vår data och få en algoritm att känna igen mönster. "

Data visade de små avvikelserna i elektronstråleprestanda när justeringar gjordes vid enskilda strållinjer, och algoritmen hittade ett sätt att ställa in elektronstrålen så att den negerade denna påverkan bättre än konventionella metoder kunde.

"Problemet består av ungefär 35 parametrar - alldeles för komplexa för att vi ska kunna räkna ut själva, "Sa Leemann." Vad det neurala nätverket gjorde när det var utbildat - det gav oss en förutsägelse för vad som skulle hända för källstorleken i maskinen om det inte gjorde något alls för att korrigera det.

"Det finns en ytterligare parameter i den här modellen som beskriver hur de förändringar vi gör i en viss typ av magnet påverkar den källstorleken. Så allt vi behöver göra är att välja den parameter som-enligt denna neurologiska förutsägelse-resulterar i strålstorleken vi vill skapa och applicera den på maskinen, "Tillade Leemann.

Det algoritmstyrda systemet kan nu göra korrigeringar med en hastighet av upp till 10 gånger per sekund, även om tre gånger i sekunden verkar vara tillräcklig för att förbättra prestanda i detta skede, Sa Leemann.

Sökandet efter nya applikationer för maskininlärning

Maskininlärningsteamet fick två års finansiering från US Department of Energy i augusti 2018 för att driva detta och andra maskininlärningsprojekt i samarbete med Stanford Synchrotron Radiation Lightsource vid SLAC National Accelerator Laboratory. "Vi har planer på att fortsätta utveckla detta och vi har också ett par nya idéer för maskininlärning som vi skulle vilja testa, Sa Leemann.

Nishimura sa att modeorden "artificiell intelligens" tycks ha trenderat in och ut ur forskarsamhället i många år, fastän, "Den här gången verkar det äntligen vara något verkligt."