粒子加速器光束的 2D 投影，基于生成扩散由计算机生成。该过程由加速器信号自适应引导，将图像从纯噪声（左）转变为越来越清晰的版本（右）。照片由 LANL 提供
兰兰新闻发布
加速器（加速质子等粒子速度的机器）可用于核物理和高能物理以及材料科学、动态成像，甚至用于癌症治疗的同位素生产。洛斯阿拉莫斯国家实验室主导的项目提出了一种机器学习算法，该算法利用人工智能功能来帮助调整加速器，进行持续调整，使光束保持精确且对科学发现有用。
“机器的复杂性和时间变化意味着，随着使用时间的延长，加速器粒子束的特性会发生变化，”洛斯阿拉莫斯研发工程师兼该项目负责人 Alexander Scheinker 说道。。振动和温度变化等因素可能会给加速器带来问题，因为加速器拥有数千个组件，即使是最好的加速器技术人员也很难识别和解决问题或快速将其恢复到最佳参数。这是一个高维优化问题，随着系统随时间漂移，必须一次又一次地重复。在断电后打开这些机器或在不同实验之间重新调整可能需要数周时间。”
能够实时有效调节的加速器可以为实验提供更高的电流，并且更有可能保持运行，为科学实验提供更多的束流时间，也更有可能确保精确的结果。在与劳伦斯伯克利国家实验室的合作中，Scheinker 开发的方法将自适应反馈控制算法、深度卷积神经网络和基于物理的模型结合在一个大型反馈回路中，以做出更好的非侵入性预测，从而实现紧凑型加速器的自主控制。
教授机器学习应用程序来调整加速器
除了复杂的控制和诊断之外，加速器社区的科学家还使用反馈算法来帮助加速器适应组件随时间的变化。但由于它们基于本地加速器反馈，因此此类算法可能会陷入并非整体最佳解决方案的本地解决方案。然而，机器学习算法可以使用训练数据以更高层次的全局视图来识别数据和结果之间的关系。
Scheinker 和劳伦斯伯克利分校的同事开发了一种新的机器学习技术，可以利用加速器诊断的实时数据来调整模型。该团队开发了一种称为扩散的高级生成人工智能过程的自适应版本，其中包括虚拟诊断加速器束的能力。非侵入性方法，描述于 科学报告，意味着可以在光束操作期间实时进行诊断。
该团队在欧洲 X 射线自由电子激光设施（德国的 X 射线脉冲加速器）演示了基于扩散的模型，能够捕获粒子束相对于时间与能量的图像。在各种加速器设置中，该模型的数据可以准确预测一组不同粒子组分布的分布。
该工具还可以 重建多维投影转化为对人工智能算法的实时训练有用的表示形式。条件扩散变分自动编码器 (cDVAE) 是一种在伯克利实验室的高重复率电子散射 (HiRES) 光束线上进行测试的扩散方法。cDVAE 能够在训练数据之外以及各种光束设置之间进行推断，这表明其作为可应用于加速器诊断的通用方法的潜力。
“我们从扩散模型研究中看到的结果显示出很大的希望，”沙恩克说。– 使用这些先进的机器学习技术调整加速器将增强我们推动科学发现的能力。 –
这项工作代表了由 Scheinker 领导的洛斯阿拉莫斯自适应机器学习团队不断取得的进展，该团队多年来一直在开发新颖的自适应人工智能方法，用于复杂动态系统的实时自主控制和优化，包括粒子加速器和动态成像实验实验室感兴趣。
洛斯阿拉莫斯的 Scheinker 团队也在为实验室的 LANSCE 加速器开发这种自适应扩散模型。
资金：这项工作由美国能源部科学办公室、高能物理加速器管理计划办公室和洛斯阿拉莫斯实验室指导研究与开发计划资助。
文件： – cDVAE：用于粒子加速器束 6D 相空间投影诊断的 VAE 引导扩散。 – 科学报告。DOI： 10.1038/s41598-024-80751-1
– 用于粒子加速器束诊断的条件引导生成扩散。 – 科学报告。DOI： 10.1038/s41598-024-70302-z