具有自适应机器学习的粒子加速器

机器学习已成为当今许多最前沿技术的研究。然而，到目前为止，它没有被广泛认为是在线优化粒子加速器性能的有用工具。通过他的研究，美国新墨西哥洛杉矶阿拉莫斯国家实验室亚历山大·施埃尔博士介绍了基于机器学习的新技术，可以在没有人类投入的情况下自适应地调整粒子加速器的肆意复杂的控制。他的团队的工作最终可能更容易跨越许多不同学术领域的研究人员更容易实现突破性的新发现。

今天的粒子加速器是有史以来的人类工程的一些最大的壮举，使研究人员能够在从医学到宇宙学的田地中回答基本问题。利用加速器设施的这种多样化和复杂的实验，不同的研究组可能需要在它们产生的粒子束中的差异不同的特性。为了适应这种变化，粒子加速器的最后一个复杂的组件必须是可调的，而不会牺牲装置的整体性能。

美国新墨西哥州洛斯阿拉莫斯国家实验室的研究员Alexander Scheinker博士描述道:“加速器是由数千个耦合组件组成的千米级机器，这些组件可以加速、旋转和聚焦光束。”“光束必须被精确地控制，以达到所需的能量和长度，并随着时间的推移保持光束的质量。”传统上，实现这些优化条件需要研究人员和工程师花费大量时间进行手动调整。由于许多研究小组都在竞相使用这种仪器，这就占用了本可以用来收集数据的宝贵时间，最终使科学家更难解决他们最紧迫的问题。

机器学习的力量
为了克服这个问题，Scheinker博士建议通过自适应机器学习算法辅助粒子加速器调谐的作用。即使是人类思想最聪明的人在他们的能力中有限，同时考虑到粒子加速器中每种可调部件（数千次）的作用，这些人工智能算法基于实际数据建立了自己的高度复杂系统的模型。在“培训”之后，机器学习算法几乎可以立即瞬间自动地预测这些系统在某些情况下的行为方式。更具体地说，“神经网络”是机器学习算法，可以模仿人体大脑制成的决定。可以使用详细信息详细说明在系统上执行的不同任务的不同结果进行培训。

Scheinker博士建议通过自适应机器学习算法辅助粒子加速器调谐的作用。

至关重要的是，神经网络自行学习如何执行某项任务，以便在不预先编程的情况下产生最佳结果。“诸如神经网络的机器学习工具最近在广泛的应用中普及，从鉴定猫对开发抗生素的识别”，解释道。“神经网络是有用的，因为他们能够学习复杂系统的输入输出关系。”Scheinker博士认为，这些工具为研究人员提供了粒子加速器控制问题所带来的理想解决方案。所有相同的是，实施它们用于实际实验将带来重大挑战。

占徘徊粒子的核算
精确的光束控制所带来的潜在挑战涉及到粒子运动中不需要但不可避免的偏差。理想情况下，它们都将紧密地沿着沿着粒子束加速度方向的中心轴运动，并且具有相对均匀的能量。然而，如果控制不当，粒子也会沿垂直的方向向轴线移动，以不同的角度飞离，并吸收更广泛的能量。随着时间的推移，这些畸变会迅速累积，并严重限制光束的质量。

这些有问题的运动被各个颗粒之间的相互作用的相互作用的卷绕纤维，这一切都是不可能使用传统的机器学习方法和不确定和时变的加速器组件映射。正如Scheinker博士所描述的那样，“将基于数据的模型（例如神经网络）应用于粒子加速器的实时主动控制的主要挑战之一是，加速器组件和光束本身都漂移并与之漂移时间。这意味着基于一组数据的任何模型的预测力将迅速降低。“没有明确的方式来了解这些不需要的动作如何发挥作用，研究人员必须在设备运行时找到要处理它们的创新方法，而无需依赖于先前收集的数据内置的模型。

实时调整
作为他博士研究的一部分，Scheinker博士和他的同事们致力于设计一种模型无关的反馈技术来控制时变系统。沙因克博士的技术已经应用于一种名为自由电子激光器(FEL)的装置上，在这种装置中，一组电子以接近光速的速度通过一组特殊的磁铁。这些设备具有高度可调性，比任何其他类型的激光器都能产生更明亮、更相干的闪光，这使得它们在材料科学和生物学研究中非常有用。然而，由于自由电子激光过程的随机性质以及在如此快速移动的电子群中发生的许多相互作用，粒子的详细分布是众所周知的不可预测的。这意味着，即使在调谐参数保持恒定的情况下，FELs本身也是有噪声的——这降低了实验结果的重复性和准确性，并使使用传统方法进行调谐和优化变得困难。

Scheinker的团队博士使用专门设计的独立式的“反馈控制”系统来解决这个问题，它使用了描述FEL光的实时属性的噪声数据来确定应如何调整以保持其理想的属性。这允许从实时数据同时调整多达105个组件，而独立于基于数据的任何数据。

作为DR Scheinker总结说，“我们已经证明了这种方法，用于通过基于嘈杂的能量测量同时调谐约100个磁体并自适应地调整在线模型以自动跟踪时变波和加速器来最大限度地调谐来自FEL的光的输出能量。组件创建非侵入式光束诊断。“尽管这种技术的成功明确，但它仍然面临进一步的问题。在游戏中具有如此多的参数，团队的反馈控制系统可能会在一个合理良好的一个解决方案中被“卡住”，但这并不代表整体的最佳解决方案。

这种主动反馈控制方法可以普遍应用于任何随时间变化而不可预测的复杂系统。

考虑每个参数
在他们最新的研究中，Scheinker博士及其团队旨在开发一种用于嘈杂和时变系统的自适应机器学习反馈控制方法。这种方法将模型无关反馈的鲁棒性与神经网络的全球学习能力组合。随着以前的研究已经表明，该算法非常适合于学习未知系统的每个方面，其许多不同的参数随时间可能不可预测地改变。他们展示了使用斯坦福大学的LinaC相干光源（LCLS）的这种创新方法 - 这利用了FEL的高可调性，以产生高质量的X射线脉冲持续一秒钟。

“神经网络给出了所需光束特征的第一次猜测”，Scheinker博士述评。“那么，自适应反馈用它作为微调，放大的起点，并根据实时光束测量跟踪时变最佳机器设置。”虽然它专注于一个巨大和高度复杂的任务，但该过程的内部工作与人脑的操作相当。虽然第一次猜测神经网络不完美，但它使自己的决定能够找到更好的替代方案，最终达到最佳解决方案而没有任何妥协。对于LCLS FEL，团队的方法导致电子脉冲，其特征可以自动调整以完全匹配所需的分布。这是一步迈向自动调整饲料脉冲朝向创造适合于生产高质量X射线脉冲的分布的一步。

新的实验机会
Scheinker博士的调查结果代表了我们对机器学习如何使用的理解来优化实时粒子加速器的性能的重要一步。他还希望该激活的反馈控制方法普遍应用于任何复杂的系统，这些系统随着时间的推移而不可预测的，允许它们在操作期间同时调整每个组件。目前，Scheinker博士将努力将他的自适应神经网络应用于超越纤维的粒子加速器的其他方面。如果他的想法变得更广泛采用，他们很快就会开辟了各种各样的新研究机会。