通过机器学习制约x射线束的不稳定性

来自劳伦斯伯克利国家实验室(LBNL)和美国加州大学伯克利分校的研究人员们展示了如何使用机器学习和神经网络计算来锐化和稳定来自最先进的同步加速器光源(Phys)的x射线光子束。据报道，这项技术可以将波束宽度的波动降低到亚微米级别，随着对现有同步加速器(包括LBNL自己的高级光源(ALS))的升级，将同步加速器能力的边界和对波束大小稳定性的要求推向新的水平，这项技术将大有用处。
摆动器、波动器和稳定性 
      现代的或第三代同步加速器的工作原理是在巨大的存储环中将电子加速到相对论速度。由此产生的高能电子束的碎片被多个“插入装置”分流，这些装置被称为“摆动器”和“波动器”，它们对电子束施加不同的磁场，迫使x射线同步加速器辐射的光子进入束线，用于特定的实验。插入装置甚至可以调整场参数来细化产生的光子光束的特性，以适应特定的问题。
      从储存环中发出的x射线的稳定性直接取决于产生它们的电子束的稳定性，具体来说，就是电子束垂直大小的波动量。这就是问题所在。因为不同的插入装置会同时产生许多不同的光束来驱动几十个不同的实验，在不同的插入装置上对光源进行微调会反馈到主电子束上，从而降低了主电子束的稳定性。
      工程师们设计了各种局部和全局校正和反馈回路，以对抗由此产生的波束波动。但是随着所谓的第四代衍射限制存储环在ALS和其他地方的出现，对光束稳定性控制的争夺将变得更加激烈。这些新一代的存储环被设计用来将同步加速器的亮度提高2到3个数量级，并为诸如光刻术和x射线光子相关光谱等技术创造高、紧密的相干x射线通量，这些技术将以前所未有的分辨率探测电池和燃料电池等电化学系统。但是，与目前的第三代技术相比，较小的光源大小将需要对光源尺寸稳定性进行更严格的控制。
利用神经网络
       为了克服这一障碍，LBNL科学家Simon Leemann领导的新研究团队转向了一种越来越广泛应用于研究问题的技术——机器学习。
       以目前的ALS高级光源为例，研究小组将储存环中的两股数据流——各种插入装置的位置和磁扰，以及电子束的垂直宽度，输入到一个多层神经网络中。数据流“教导”神经网络去辨别各种插入设备的波动是如何影响主光束的稳定性的。有了这些知识，该算法原则上可以推荐局部的、实时的修正，这些修正可以应用于各种插入设备点，以将电子束的波动达到最小。
亚微米精度 
       经过神经网络的训练，研究小组将其应用于实际ALS实验。研究人员发现，训练算法能够保持电子束的垂直宽度保持良好波动在0.2μm之内精度为0.4%。这比之前在ALS中实现的2%-3%的波束大小精度要高一个数量级。该团队注意到，与其他机器学习技术一样，在常规用户实验运行期间不断地让系统投入运行，会使算法继续从数据中学习提高结果。
      研究小组组长Leemann观察到，机器学习技术让研究人员能够深入研究一个原本似乎难以解决的问题。“这个问题包含大约35个参数——太复杂了，我们自己都搞不清楚，”他补充说，该团队将积极寻找其他领域来测试这种方法。研究人员们将计划继续发展这项技术，同时他们也有一些新的机器学习想法想要尝试一下。目前，该团队开发的技术为解决下一代限衍射同步加速器(ALS和其他设备)的棘手问题带来了希望。这可能会在未来几年里建立一些非常有趣的学科。

图1：在高级光源(ALS)的存储环和波束线的内部全景。

图2：在先进的光源实验运行中，实施神经网络机器学习极大地改善了垂直光束大小的稳定性。