Konstnärlig representation av ett neuralt nätverk överlagrat på en elektronstråleprofil. Kredit:Adi Hanuka/SLAC National Accelerator Laboratory
Strålar av accelererade elektroner driver elektronmikroskop, Röntgenlasrar, medicinska acceleratorer och andra anordningar. För att optimera prestandan för dessa applikationer, operatörer måste kunna analysera strålarnas kvalitet och justera dem efter behov.
Under de senaste åren har forskare vid Institutionen för energis SLAC National Accelerator Laboratory har utvecklat "virtuell diagnostik" som använder maskininlärning för att få viktig information om strålkvalitet på ett effektivt, icke-invasivt sätt. Nu, en ny virtuell diagnostisk metod, publicerad i Vetenskapliga rapporter , innehåller ytterligare information om strålen som gör att metoden kan fungera i situationer där konventionell diagnostik har misslyckats.
"Vår metod kan användas för att diagnostisera praktiskt taget alla maskiner som använder elektronstrålar, oavsett om det är ett elektronmikroskop för avbildning av ultraljudsobjekt eller en medicinsk accelerator som används vid cancerterapi, "säger SLAC -forskningsassistent Adi Hanuka, som ledde studien.
Konventionell stråldiagnostik är fysiska enheter som måste interagera med strålen för att mäta dess egenskaper, såsom intensitet och form. Denna interaktion förstör eller ändrar ofta strålen eller kräver dess avböjning, så det kan inte användas samtidigt för själva applikationen. Tekniska begränsningar förhindrar också noggranna mätningar i vissa fall, till exempel när strålens elektronpulser avfyras med mycket hög hastighet eller är mycket intensiva.
Den nya metoden har ingen av dessa begränsningar eftersom den inte är en fysisk enhet. Istället, den använder ett neuralt nätverk - en algoritm för maskininlärning inspirerad av hjärnans neurala nätverk. När SLAC -teamet hade tränat det neurala nätverket om data som tagits med laboratoriets partikelacceleratorer, algoritmen kunde exakt förutsäga strålegenskaper för experimentella situationer.
SLI:s forskningsassistent Adi Hanuka ledde utvecklingen av ett nytt virtuellt diagnostiskt verktyg, en maskininlärningsalgoritm som kan hjälpa till att optimera prestanda för röntgenlasrar, elektronmikroskop, medicinska acceleratorer och andra enheter som är beroende av elektronstrålar av hög kvalitet. Upphovsman:Efrat Eshel
Forskarna demonstrerade metoden genom att jämföra dess förutsägelser med experimentella och simulerade data för elektronstrålarna i Linac Coherent Light Source (LCLS) röntgenlaser, dess framtida uppgradering LCLS-II, och den nyligen uppgraderade Facility for Advanced Accelerator Experimental Tests (FACET-II), tre DOE Office of Science användarfaciliteter på SLAC.
Särskilt, resultaten visar att metoden för maskininlärning hjälper i situationer som ligger utanför konventionella verktyg. När det gäller LCLS-II, till exempel, det neurala nätverket kan ge detaljerad information om var och en av de miljoner elektronpulser per sekund som maskinen kommer att producera - en oöverträffad puls som överskrider gränserna för nuvarande diagnostisk teknik. Virtuell diagnostik kan också ge korrekt information om FACET-II:s högintensitetsstråle, vilket är utmanande att analysera med fysiska enheter.
