机器学习可稳定同步加速器光束

美国科学家已使用机器学习来减少来自同步加速器光源光子束的不必要波动。该技术通过稳定同步加速器的电子束来做到这一点，并为下一代设施的发展提供了重要参考。

这项工作是由加利福尼亚劳伦斯伯克利国家实验室（LBNL）的Simon Leemann及其同事完成的，它可以使要求高光束稳定性的新兴分析技术（例如X射线光子相关光谱法XPCS）可以在同步器上实现。

同步加速器光源是极其有用的科学仪器，因为它们可发出明亮、高质量的电磁辐射束。光是通过使用强力磁铁使存储环中的电子加速而产生的，这是利用了加速的电子发出电磁辐射这一事实。在现代同步加速器中，使用磁摆动器和起伏器可提高加速度。

现在，Leeman的团队已经表明，通过使用机器学习算法来调整现有的光束控制仪器，可以实现更高的稳定性。他们开发了一种神经网络，旨在防止在LBNL的第三代高级光源（ALS）的电子束中发生宽度波动。使用两个数据集对算法进行了训练。一种包括用于控制电子束形状的磁性“激发”分布，另一个是从ALS获得的光子束的宽度。

利用这些信息，神经网络构造了一个表格，说明了磁激发如何影响最终的光子束宽度。通过不断更新此表并每秒参考3次，同步加速器可以自动调整其电子束。这导致垂直电子束波动仅为200 nm，仅为电子束垂直范围的0.4％，适用于第四代同步加速器。

未来的同步加速器可以产生比现在更亮三倍的光束。这些设施应使研究纳米和微米长度尺度的物理和化学过程成为可能。一种可能的应用是获取复杂的化学反应3D图，这可能会导致对包括电池和燃料电池在内的电化学系统的更深入的了解。

第四代设备性能的一个潜在限制是同步加速器电子束垂直剖面的相对较大的不稳定性。这种不稳定性导致光束的位置和大小的波动，这将使得难以实施诸如XPCS的技术。

当前的稳定技术结合使用了预定模型和繁琐的手动校准，以实现电子束宽度约10％的稳定性。这对于第三代设备就足够了，但是第四代同步加速器将需要更严格的控制。