2022 年 7 月 20 日——科学家们开发了一种新的机器学习平台，使控制粒子束和激光的算法比以往任何时候都更加智能。他们的工作可能有助于开发新的和改进的粒子加速器，这将有助于科学家解开亚原子世界的秘密。

工作人员科学家 Daniele Filippetto 研究高重复率电子散射装置。图片来源：伯克利实验室的 Thor Swift。

能源部劳伦斯伯克利国家实验室(伯克利实验室)的 Daniele Filippetto 及其同事开发了该装置，以自动补偿加速器光束和其他组件(如磁铁)的实时变化。他们的机器学习方法在理解失败的原因以及使用物理学制定响应方面也优于当代光束控制系统。一篇描述这项研究的论文于去年年底发表在《自然科学报告》上。

“我们正在尝试向芯片教授物理，同时为它提供操作机器的资深科学家的智慧和经验，”加速器技术与应用物理部 (ATAP) 的科学家 Filippetto 说。伯克利实验室和伯克利加速器控制和仪表计划 (BACI) 计划的副主任。

他们的研究也有可能影响粒子加速器的多个应用领域，从工业和医疗环境中的自主操作到科学应用中提高精度，例如线性对撞机和超快自由电子激光器。

与洛斯阿拉莫斯国家实验室和加州大学洛杉矶分校的研究人员合作，在伯克利实验室的高重复率电子散射装置 (HiRES) 加速器上展示了这项新技术。HiRES 光束线的主要应用是对新型量子材料进行结构动力学实验。该仪器为众多科学发现做出了贡献，例如对二碲化钽的光学熔化进行了首次超快电子衍射研究，这种材料具有有趣且可能有用的特性。现在，这种新型机器显示出它在开发控制各种加速器的新方法方面的有用性。

粒子加速器产生并加速原子和亚原子大小的带电粒子束，例如电子、质子和离子。随着机器变得更加强大和复杂，粒子或激光束的控制和优化对于满足科学、医疗和工业应用的需求变得更加重要。

BACI 项目的 Filippetto 及其同事正在领导机器学习工具的全球开发。这些工具提供了一个开发智能算法的平台，这些算法可以快速准确地对不可预见的干扰做出反应，从错误中吸取教训，并采用最佳策略来达到或保持目标光束设定点。

他们正在开发的工具具有额外的优势，即提供粒子加速器系统整体行为的准确模型，无论复杂程度如何。控制器可以使用这些新的和改进的功能来做出更有效的实时决策。

Filippetto 目前的工作重点是利用机器学习工具的能力和预测来提高粒子束的整体稳定性。

“如果你能以超过其波动的精度预测光束特性，那么你就可以使用预测来提高加速器的性能，”他说。“关键光束参数的实时知识将对实验的最终准确性产生巨大影响。”

起初，这种方法似乎不太可能产生准确的结果，类似于股票市场行为预测的挑战，但该小组的早期结果是有希望的。事实上，所使用的算法基于神经网络模型，与典型的统计分析相比，预测光束参数的精度提高了十倍。在相关工作中，最近的Halbach 奖授予了 ATAP 加速器物理组的科学家 Simon Leemann，他是开发机器学习控制方法的合作者，这些方法通过稳定实验中的高度相对论电子束来提高先进光源的性能源点大约提高了一个数量级，前所未有的水平。

早期职业研究科学家 Dan Wang 研究压电惯性电机控制器以驱动压电镜，用于相干激光组合系统中的激光对准。图片来源：伯克利实验室的 Thor Swift。

在相关研究中，BACI 小组的研究科学家 Dan Wang 三年前在伯克利实验室担任博士后研究员，她正在使用机器学习工具来推进复杂激光系统的控制技术。在 Wang 的案例中，最终目标是能够将数百个超强激光脉冲精确地组合成一根头发大小的强大且连贯的光束。在相干光束中，每个输入激光的相位必须控制在几度误差内，这是非常具有挑战性的。激光能量可以以不同的方式组合，但在所有情况下，必须稳定光束阵列的相干性以抵抗环境扰动，例如热漂移、空气波动，甚至是支撑台的移动。

为此，Wang 和她的同事开发了一种神经网络模型，该模型在校正组合激光阵列中的系统错误方面比其他传统方法快 10 倍。他们开发的模型还能够教会系统识别激光器中的相位误差和参数变化，并在它们发生时自动校正扰动。

研究人员的方法适用于激光的模拟和实验，实现了前所未有的控制性能。研究的下一步是在诸如现场可编程门阵列 (FPGA) 等边缘计算机上实现机器学习模型，以实现更快的响应，并展示这种基于机器学习的控制方法在更复杂的系统中的泛化性。更多变量需要考虑。

“我来自加速器背景，但在我的博士后期间，我的同事真的帮助我接受了机器学习的力量，”王说。“我学到的是，机器学习是解决许多不同问题的强大工具，但你总是必须用你的物理学来指导你如何使用和应用它。”

“为了满足新科学的需求，这项工作体现了主动反馈和机器学习方法，它们是下一代加速器和激光性能的关键推动力，为新的光子源和未来的粒子对撞机提供动力，”加速器主任卡梅隆·格德斯说技术与应用物理部。

这项工作得到了美国能源部科学办公室、基础能源科学办公室和科学高能物理办公室以及实验室指导的研发计划的支持。