2020年4月30日
每年,来自世界各地的研究人员访问美国能源部SLAC国家加速器实验室进行数以百计的化学实验,材料科学、生物学和能源研究的光源(拼箱)x射线激光。欧洲杯足球竞彩欧洲杯线上买球拼箱创建ultrabright x射线的高能电子束产生在一个巨大的线性粒子加速器。
实验在拼箱24小时不间断运行,在两个每天12小时的变化。在每个转变的开始,运营商必须调整加速器的性能下的x射线实验做好准备。有时,需要额外的调整也在转变。在过去,运营商每年花费了数百个小时在这个任务中,被称为加速器调优。
现在,线性的研究者发明了一种新的工具,使用机器学习,可能会使优化过程的一部分相比以前的方法快5倍。他们描述了方法物理评论快报3月25日。
调优光束
开始生产拼箱的强大的x射线束的制备高质量的电子束。一些电子的能量就会转化为x射线在特殊的磁铁。电子束的属性,需要密集紧聚焦,多么美好的一个关键因素是x射线。
“即使是一个小的密度差电子束可以有一个巨大的差异在x射线的数量你最后离开,”丹尼尔•拉特纳表示线性的机器学习主动性和团队的一名成员,开发新技术。
加速器使用一系列24特殊磁铁,称为四极磁铁,聚焦电子束与玻璃透镜聚焦光。传统上,操作员仔细把旋钮来调整个人磁铁之间的变化,以确保加速器生产所需的x射线是一个特殊的实验。这个过程花了很多运营商的时间——时间可以花在其他重要任务,提高梁的实验。
几年前,拼箱运营商采用了计算机算法自动加速这个磁铁调优。然而,它有自己的缺点。它旨在提高x射线光束通过随机调整磁铁的力量。但与人类的运营商,该算法没有先验知识的加速器的结构和在其优化无法猜测,可能最终导致更好的结果。
这就是为什么线性研究人员决定开发一种新的机器学习算法,它结合了“智能”的计算机程序,学习如何随着时间的推移变得更好——加速器的物理知识。
机器学习的方法是试图将这个一起给运营商更好的工具,使他们可以专注于其他重要问题。”
约瑟夫•Duris SLAC科学家
一个更好的光束,更快
新方法使用了一种叫做高斯过程,预测某一油门调整效果的x射线光束的质量。它还生成预测的不确定性。算法然后决定调整为最大的改进尝试。
例如,它可能决定尝试一个戏剧性的调整,其结果是非常不确定的但可能导致巨大的回报。这意味着这种新的冒险算法有一个更好的机会比之前的算法的调整需要创造最好的x射线。
线性的研究人员也使用数据从以前的拼箱操作教磁铁的算法优势通常导致明亮的x射线,使算法的一种方式使受过教育的猜测的调整应该试一试。这个装备的算法自然与人类知识和专业技能,运营商,和前面的算法缺乏。
“我们可以依靠,物理知识,制度知识,为了提高预测,“Duris说。
洞察磁铁的相互关系也改善了技术。四极磁铁成对工作,提高集中力量,在一对磁铁的强度必须增加而另一个是减少。
新流程,优化的四极磁铁已成为三到五倍,研究人员估计。也会产生高强度光束比以前的算法。
“我们增加我们的能力优化效率,真正能够实现的关键梁更快和更好质量的人来自世界各地的运行实验,”简Shtalenkova说,在斯坦福线性加速器运营商曾与Duris,拉特纳等人开发的新工具。
除了拼箱
相同的方法可以扩展到优化其他电子或x射线性质,科学家们可能希望优化实验。例如,研究人员可以应用的技术信号最大化他们的样本之后受到拼箱的x射线。
这种灵活性也使新算法用于其他设施。
“这台机器学习算法的优点是,你可以做技术转让相对容易,”阿迪Hanuka说线性科学家一直在测试技术在其他三个加速器:SPEAR3,加速器环为线性的斯坦福同步辐射光源(SSRL);飞马在加州大学洛杉矶分校;和先进的光子源(APS)在美国能源部的阿贡国家实验室。
这个工具现在存在于几个实验室。希望我们很快就会将它集成到更多的实验室。”
Adi Hanuka,线性的科学家
拼箱,SSRL和APS能源部科学办公室用户设施。欧洲杯线上买球项目主要资助作为线性的实验室指导研究和发展项目(LDRD)。
来源:http://www.slac.stanford.edu/