美国加速器实验室优化其粒子加速器性能

美国加速器实验室（SLAC） 研究人员将机器学习与物理知识相结合，以优化 SPEAR3 加速器的性能，该加速器是该实验室斯坦福同步辐射光源 (SSRL) 的支柱，如图所示。(Brad Plummer/SLAC)

大型强子对撞机 (LHC) 等粒子加速器以接近光速的高速推进带电粒子，例如质子或电子。加速到接近光速的速度，它们为其他粒子束提供能量，用于广泛的应用，包括基础物理实验、分子成像和癌症放射治疗。

操作员需要不断调整加速器以获得最佳性能。但是，大型粒子加速器很难调整，因为需要调整的组件太多。此外，一些组件相互依赖才能正常工作。因此，当您调整一个时，它可能会影响另一个的设置。

美国加速器实验室（SLAC）最近的一项研究提出了一个解决方案。这表明机器学习可以显着提高粒子加速器的性能。在实际数据不存在的情况下，教授机器学习加速器物理学的基础知识很方便。

前 SLAC 研究助理 Adi Hanuka 说： “将物理学注入机器学习是许多研究领域的一个非常热门的话题，比如材料科学、环境科学、电池研究、粒子物理学领域等等。”

将物理学注入机器学习的好处是：

它可以通过加快优化过程并找到有用的加速器设置来支持人类操作员。

与其他技术不同，它可以帮助诊断粒子束的质量而不会干扰它们。

为了使这些事情成为可能，科学家们使用来自先前加速器操作和计算机模拟的数据训练机器学习算法，这些数据对加速器的性能做出假设。还发现使用物理模型数据与实验数据相结合可以显着减少所需的新数据量。

这意味着，如果您对描述加速器工作原理的物理学有足够的了解，则实际上不需要先前的数据。但这并不意味着数据根本没有用。在实验过程中，科学家们通过将这些数据与来自加速器的实际数据配对，使用这些数据进一步改进了以物理为依据的机器学习模型。

上述实验是在 SLAC 的 SPEAR3 加速器上进行的。科学家们使用直接从基于物理的模型中获得的信息。他们得到的结果与通过使用实际档案数据训练算法所获得的结果一样好，甚至更好。

该研究的首席研究员、SLAC 工作人员科学家乔·杜里斯 (Joe Duris)说： “我们的结果是 SLAC 逐步推动开发用于调整加速器的机器学习工具的最新亮点。”

科学家们现在正在应用这种方法来改进 SLAC 直线加速器相干光源 (LCLS) X 射线激光器的调谐，这是地球上最强大的 X 射线源之一。

科学家们指出， “当 SLAC 工作人员明年开启 LCLS-II 时，新方法的全部潜力可能会变得显而易见。此次LCLS超导升级拥有全新加速器，其最佳设置需要从头开始确定。它的操作员可能会发现，让已经学习了一些加速器物理基础知识的 AI 陪在他们身边会很方便。”