Varje år, forskare från hela världen besöker Department of Energys SLAC National Accelerator Laboratory för att utföra hundratals experiment inom kemi, materialvetenskap, biologi och energiforskning vid Linac Coherent Light Source (LCLS) röntgenlaser. LCLS skapar ultraljusa röntgenstrålar från högenergistrålar av elektroner som produceras i en gigantisk linjär partikelaccelerator.

Experiment på LCLS pågår dygnet runt, i två 12-timmarspass per dag. I början av varje skift, Operatörerna måste justera acceleratorns prestanda för att förbereda röntgenstrålen för nästa experiment. Ibland, ytterligare justeringar behövs också under ett skift. Förr, operatörer har spenderat hundratals timmar varje år på denna uppgift, kallas acceleratorjustering.

Nu, SLAC-forskare har utvecklat ett nytt verktyg, använder maskininlärning, som kan göra en del av trimningsprocessen fem gånger snabbare jämfört med tidigare metoder. De beskrev metoden i Fysiska granskningsbrev den 25 mars.

Inställning av strålen

Att producera LCLS:s kraftfulla röntgenstråle börjar med att förbereda en högkvalitativ elektronstråle. En del av elektronernas energi omvandlas sedan till röntgenljus inuti speciella magneter. Elektronstrålens egenskaper, som måste vara tät och hårt fokuserad, är en kritisk faktor för hur bra röntgenstrålen blir.

"Även en liten skillnad i elektronstrålens densitet kan ha en enorm skillnad i mängden röntgenstrålar du får ut i slutet, säger Daniel Ratner, chef för SLAC:s maskininlärningsinitiativ och en medlem i teamet som utvecklade den nya tekniken.

Acceleratorn använder en serie av 24 specialmagneter, kallade fyrpolmagneter, att fokusera elektronstrålen på samma sätt som glaslinser fokuserar ljus. Traditionellt, mänskliga operatörer vred försiktigt på rattarna för att justera individuella magneter mellan skift för att säkerställa att acceleratorn producerade den röntgenstråle som behövs för ett visst experiment. Denna process tog upp mycket av operatörernas tid – tid som de kunde lägga på andra viktiga uppgifter som förbättrar strålen för experiment.

Några år sedan, LCLS-operatörer antog en datoralgoritm som automatiserade och påskyndade denna magnetinställning. Dock, det kom med sina egna nackdelar. Det syftade till att förbättra röntgenstrålen genom att göra slumpmässiga justeringar av magneternas styrkor. Men till skillnad från mänskliga operatörer, den här algoritmen hade inga förkunskaper om acceleratorns struktur och kunde inte göra utbildade gissningar i sin inställning som i slutändan kunde ha lett till ännu bättre resultat.

Det är därför som SLAC-forskare bestämde sig för att utveckla en ny algoritm som kombinerar maskininlärning – "smarta" datorprogram som lär sig hur man blir bättre med tiden – med kunskap om acceleratorns fysik.

"Maskininlärningsmetoden försöker knyta ihop detta för att ge operatörerna bättre verktyg så att de kan fokusera på andra viktiga problem, säger Joseph Duris, en SLAC-forskare som ledde den nya studien.

En bättre stråle, snabbare

Det nya tillvägagångssättet använder en teknik som kallas en Gaussisk process, som förutsäger effekten en viss acceleratorjustering har på kvaliteten på röntgenstrålen. Det skapar också osäkerheter för sina förutsägelser. Algoritmen bestämmer sedan vilka justeringar som ska testas för de största förbättringarna.

Till exempel, det kan besluta sig för att prova en dramatisk justering vars resultat är mycket osäkert men som kan leda till en stor utdelning. Det betyder detta nya, äventyrlig algoritm har en bättre chans än den tidigare algoritmen att göra de justeringar som behövs för att skapa bästa möjliga röntgenstråle.

SLAC-forskarna använde också data från tidigare LCLS-operationer för att lära ut algoritmen vilka magnetstyrkor som vanligtvis har lett till ljusare röntgenstrålar, ger algoritmen ett sätt att göra välgrundade gissningar om de justeringar den bör försöka. Detta utrustar algoritmen med kunskap och expertis som mänskliga operatörer naturligtvis har, och att den tidigare algoritmen saknade.

"Vi kan lita på den fysikkunskapen, den institutionella kunskapen, för att förbättra förutsägelserna, säger Duris.

Insikter i magneternas relationer till varandra förbättrade också tekniken. Fyrpolsmagneterna fungerar i par, och för att öka sin fokuseringsförmåga, styrkan av en magnet i ett par måste ökas medan den andras minskas.

Med den nya processen, att ställa in fyrpolsmagneterna har blivit ungefär tre till fem gånger snabbare, bedömer forskarna. Den tenderar också att producera strålar med högre intensitet än den tidigare använda algoritmen.

"Vår förmåga att öka vår inställningseffektivitet är verkligen, verkligen avgörande för att kunna leverera en stråle snabbare och med bättre kvalitet till människor som kommer från hela världen för att utföra experiment, " säger Jane Shtalenkova, en acceleratoroperatör på SLAC som arbetade med Duris, Ratner och andra för att utveckla det nya verktyget.

Bortom LCLS

Samma metod kan utökas för att ställa in andra elektron- eller röntgenstråleegenskaper som forskare kanske vill optimera för sina experiment. Till exempel, forskare kan tillämpa tekniken för att maximera signalen de får ut ur sitt prov efter att det träffats av LCLS:s röntgenstråle.

Denna flexibilitet gör också den nya algoritmen användbar för andra anläggningar.

"Det fina med den här maskininlärningsalgoritmen är att du kan göra tekniköverföring relativt enkelt, " säger Adi Hanuka, en SLAC-forskare som har testat tekniken vid tre andra acceleratorer:SPEAR3, acceleratorringen som driver SLAC:s Stanford Synchrotron Radiation Lightsource (SSRL); PEGASUS vid University of California, Los Angeles; och Advanced Photon Source (APS) vid DOE:s Argonne National Laboratory.

"Det här verktyget finns nu i flera labb, Hanuka säger. "Förhoppningsvis, vi kommer snart att integrera det i ännu fler labb."