Forskare har utvecklat en ny maskininlärningsplattform som gör algoritmerna som styr partikelstrålar och lasrar smartare än någonsin tidigare. Deras arbete kan hjälpa till att leda till utvecklingen av nya och förbättrade partikelacceleratorer som hjälper forskare att låsa upp hemligheterna i den subatomära världen.

Daniele Filippetto och kollegor vid Department of Energys Lawrence Berkeley National Laboratory (Berkeley Lab) utvecklade upplägget för att automatiskt kompensera för förändringar i realtid av acceleratorstrålar och andra komponenter, såsom magneter. Deras tillvägagångssätt för maskininlärning är också bättre än moderna strålstyrsystem när det gäller att både förstå varför saker misslyckas och sedan använda fysiken för att formulera ett svar. En artikel som beskriver forskningen publicerades sent förra året i Nature Scientific Reports .

"Vi försöker lära ut fysik till ett chip, samtidigt som vi förser det med visdomen och erfarenheten från en senior forskare som använder maskinen", säger Filippetto, en stabsforskare vid Accelerator Technology &Applied Physics Division (ATAP) vid Berkeley Lab och biträdande chef för programmet Berkeley Accelerator Controls and Instrumentation Program (BACI).

Deras forskning har också potential att påverka flera använda områden för partikelacceleratorer, allt från autonoma operationer i industriella och medicinska miljöer till ökad precision i vetenskapliga tillämpningar, såsom linjära kolliderare och ultrasnabba frielektronlasrar.

Den nya tekniken demonstrerades vid High Repetition-Rate Electron Scattering Apparatus (HiRES) accelerator vid Berkeley Lab i samarbete med forskare från Los Alamos National Laboratory och UCLA. Den huvudsakliga tillämpningen av HiRES beamline är att utföra strukturella dynamikexperiment på nya kvantmaterial. Instrumentet har bidragit till många vetenskapliga upptäckter som att utföra de första ultrasnabba elektrondiffraktionsstudierna någonsin av optisk smältning av tantalditellurid, ett material med intressanta och potentiellt användbara egenskaper. Nu visar den här nya maskinen sin användbarhet för att utveckla nya metoder för att kontrollera breda klasser av acceleratorer.

Partikelacceleratorer producerar och accelererar strålar av laddade partiklar, såsom elektroner, protoner och joner, av atomär och subatomär storlek. När maskinerna blir kraftfullare och mer komplexa, blir kontroll och optimering av partikel- eller laserstrålen viktigare för att möta behoven hos vetenskapliga, medicinska och industriella tillämpningar.

Filippetto och kollegor på BACI-programmet leder den globala utvecklingen av verktyg för maskininlärning. Dessa verktyg ger en plattform för att utveckla smarta algoritmer som reagerar snabbt och exakt på oförutsedda störningar, lär sig av sina misstag och använder den bästa strategin för att nå eller bibehålla målstrålens börvärde.

Verktygen de utvecklar har den extra fördelen att de tillhandahåller en exakt modell av det övergripande beteendet hos ett partikelacceleratorsystem, oavsett komplexitet. Kontrollanter kan använda dessa nya och förbättrade funktioner för att fatta effektivare beslut i realtid.

Den nuvarande fokusen för Filippettos arbete är att använda kraften och förutsägelsen av verktyg för maskininlärning för att öka den övergripande stabiliteten hos partikelstrålar.

"Om du kan förutsäga strålegenskaperna med en noggrannhet som överträffar deras fluktuationer, kan du sedan använda förutsägelsen för att öka acceleratorns prestanda", sa han. "Realtidskunskap om nyckelstråleparametrar skulle ha en enorm inverkan på experimentens slutliga noggrannhet."

Till en början kunde ett sådant tillvägagångssätt tyckas osannolikt att ge korrekta resultat, liknande utmaningar med förutsägelser om aktiemarknadsbeteende, men tidiga resultat från gruppen är lovande. Faktum är att den använda algoritmen, som är baserad på neurala nätverksmodeller, visar en tiofaldig ökning av precisionen för förutsagda strålparametrar jämfört med typisk statistisk analys. I relaterat arbete gick en nyligen utmärkelse från Halbach till Simon Leemann, personalforskare i Accelerator Physics Group i ATAP, och medarbetare för att utveckla kontrollmetoder för maskininlärning som förbättrar prestandan hos den avancerade ljuskällan genom att stabilisera den mycket relativistiska elektronstrålen vid experimentet källpunkter med ungefär en storleksordning, en aldrig tidigare skådad nivå.

I relaterad forskning publicerad i Optics Express , Dan Wang, en forskare i BACI-gruppen som började sin karriär vid Berkeley Lab för tre år sedan som postdoktorand forskare, använder maskininlärningsverktyg för att avancera tekniken för kontroll i komplexa lasersystem. I Wangs fall är det slutliga målet att exakt kunna kombinera hundratals ultraintensiva laserpulser i en kraftfull och sammanhängande stråle lika stor som ett människohår. I en koherent stråle måste fasen för varje ingångslaser kontrolleras inom några få grader av fel, vilket är mycket utmanande. Laserenergin kan kombineras på olika sätt men i alla fall är det absolut nödvändigt att koherensen hos strålarrayen stabiliseras mot omgivningsstörningar såsom termisk drift, luftfluktuationer eller till och med rörelsen av det stödjande bordet.

För att göra detta utvecklade Wang och hennes kollegor en neural nätverksmodell som är 10 gånger snabbare på att korrigera för systemfel i den kombinerade lasermatrisen än andra konventionella metoder. Modellen de utvecklade kan också lära systemet att känna igen fasfel och parameterändringar i lasrarna och att autokorrigera för störningar när de uppstår.

Forskarnas metod fungerar i både simuleringar och experiment i lasrar, där man uppnådde oöverträffad kontrollprestanda. Nästa steg i forskningen är att implementera maskininlärningsmodeller på kantdatorer som fältprogrammerbara gate-arrayer (FPGA) för snabbare svar, och även att demonstrera generaliseringen av denna maskininlärningsbaserade kontrollmetod i mer komplexa system där det finns långt fler variabler att ta hänsyn till.

"Jag kommer från en acceleratorbakgrund, men under min post-doc hjälpte mina kollegor mig verkligen att omfamna kraften i maskininlärning," sa Wang. "Vad jag har lärt mig är att maskininlärning är ett kraftfullt verktyg för att lösa många olika problem, men du måste alltid använda din fysik för att vägleda hur du använder och tillämpar den."

"För att möta behoven hos ny vetenskap exemplifierar detta arbete aktiv feedback och maskininlärningsmetoder som är avgörande möjliggörare för nästa generations accelerator- och laserprestanda för att driva nya fotonkällor och framtida partikelkolliderare", säger Cameron Geddes, chef för Acceleratorn. Technology &Applied Physics Division. + Utforska vidare

New machine learning tool diagnoses electron beams in an efficient, non-invasive way