Representación artística de una red neuronal superpuesta a un perfil de haz de electrones. Crédito:Adi Hanuka / SLAC National Accelerator Laboratory
Los haces de electrones acelerados alimentan microscopios electrónicos, Láseres de rayos X, aceleradores médicos y otros dispositivos. Para optimizar el rendimiento de estas aplicaciones, los operadores deben poder analizar la calidad de los haces y ajustarlos según sea necesario.
Durante los últimos años, Los investigadores del Laboratorio Nacional Acelerador SLAC del Departamento de Energía han estado desarrollando "diagnósticos virtuales" que utilizan el aprendizaje automático para obtener información crucial sobre la calidad del haz de una manera eficiente y forma no invasiva. Ahora, un nuevo enfoque de diagnóstico virtual, publicado en Informes científicos , incorpora información adicional sobre el haz que permite que el método funcione en situaciones en las que los diagnósticos convencionales han fallado.
"Nuestro método se puede utilizar para diagnosticar prácticamente cualquier máquina que utilice haces de electrones, ya sea un microscopio electrónico para obtener imágenes de objetos ultrapequeños o un acelerador médico utilizado en la terapia del cáncer, "dijo el investigador asociado de SLAC, Adi Hanuka, quien dirigió el estudio.
Los diagnósticos de haz convencionales son dispositivos físicos que necesitan interactuar con el haz para medir sus propiedades. como la intensidad y la forma. Esta interacción a menudo destruye o altera el rayo o requiere su desviación, por lo que no se puede utilizar al mismo tiempo para la aplicación real. Las limitaciones técnicas también impiden mediciones precisas en algunos casos, por ejemplo, cuando los pulsos de electrones del haz se disparan a una velocidad muy alta o son muy intensos.
El nuevo método no tiene ninguna de estas limitaciones porque no es un dispositivo físico. En lugar de, utiliza una red neuronal, un algoritmo de aprendizaje automático inspirado en la red neuronal del cerebro. Una vez que el equipo de SLAC entrenó a la red neuronal con los datos tomados con los aceleradores de partículas del laboratorio, el algoritmo pudo predecir con precisión las propiedades del haz para situaciones experimentales.
Adi Hanuka, asociado de investigación de SLAC, dirigió el desarrollo de una nueva herramienta de diagnóstico virtual, un algoritmo de aprendizaje automático que puede ayudar a optimizar el rendimiento de los láseres de rayos X, microscopios electrónicos, aceleradores médicos y otros dispositivos que dependen de haces de electrones de alta calidad. Crédito:Efrat Eshel
Los investigadores demostraron el método comparando sus predicciones con datos experimentales y simulados para los haces de electrones del láser de rayos X de la fuente de luz coherente Linac (LCLS). su futura actualización LCLS-II, y la instalación recientemente mejorada para pruebas experimentales de aceleradores avanzados (FACET-II), tres instalaciones para usuarios de la Oficina de Ciencias del DOE en SLAC.
En particular, Los resultados muestran que el enfoque de aprendizaje automático ayuda en situaciones que están más allá de las capacidades de las herramientas convencionales. En el caso de LCLS-II, por ejemplo, la red neuronal puede proporcionar información detallada sobre cada uno de los millones de pulsos de electrones por segundo que producirá la máquina, una frecuencia de pulso sin precedentes que supera los límites de la tecnología de diagnóstico actual. Los diagnósticos virtuales también pueden proporcionar información precisa sobre el haz de alta intensidad de FACET-II, que es difícil de analizar con dispositivos físicos.
