同步辐射光源：提升研究精度的关键

同步辐射光源是一种特殊的装置，能够通过控制电子束来发射各种波长的光（从红外线到X射线）。这些光源广泛应用于多个领域，包括材料科学、生物学、化学、物理学和环境科学。研究人员一直在寻找改进这些设备的方法，以生成更强大、更聚焦、更稳定的光束，从而支持更复杂和精确的研究工作。

解决数十年难题

尽管取得了显著进展，一些光束特性仍存在波动问题，这对实验造成挑战。许多同步辐射装置需要同时为多个实验提供不同类型的光。在单一光束线上对光束特性的微调可能会对整个装置的光束性能产生影响。几十年来，设计者和操作员一直在尝试各种方法来解决这些波动问题。现在，劳伦斯·伯克利国家实验室和加州大学伯克利分校的研究团队利用机器学习技术，显著提高了实验光束稳定性的表现。

这些调整大大减少了光束的波动，例如将其精度从几个百分点降低到0.4%，相关研究成果已发表在《物理评论快报》期刊上。机器学习是人工智能的一种形式，通过分析数据来构建解决复杂问题的预测模型。ALS中使用的机器学习算法被称为“神经网络”，因为它们模仿人脑识别数据模式的方式。研究人员将来自ALS的电子束数据输入神经网络，这些数据包括用于从电子束产生光的磁性设备的位置。

具有全球影响力

神经网络分析这些数据，识别出不同设备参数如何影响电子束的宽度，并建议相应的磁铁调整以优化电子束。由于电子束的大小直接影响光束的质量，该算法也优化了用于研究ALS材料特性的光束。ALS的成功实验表明，这种技术可以推广应用于其他光源，特别是对于升级后的ALS-U项目而言尤其有利。

ALS-U项目的目标是将光束的狭窄焦点从大约100微米提高到10微米以下，并进一步提高光束的稳定性和一致性。伯克利实验室的研究人员表示，这种解决方案适用于任何加速器，无论其设计或现有处理方案如何。ALS主任史蒂夫·凯文指出，这项研究解决了多年来一直存在的伪影问题，通过机器学习的新方法大大提升了实验质量。

成功测试

今年早些时候，研究人员在ALS环周围的两个不同位置成功测试了这一算法。ALS的用户们也在积极测试这一新技术，并提供了宝贵的反馈意见。ALS的博士后研究员C·内森·梅尔顿表示，在用户操作中进行了全面测试，没有收到任何负面反馈。机器学习研究的主要负责人西蒙·利曼表示，实验中使用了两条光束线，其中一条用于诊断，另一条则用于实际实验。

在具有活跃实验的光束线（光束线5.3.2.2）上，科学家报告说实验中光束性能得到了显著改善。机器学习小组注意到，增强的光束性能非常适合诸如扫描透射X射线显微镜等先进技术，这些技术可以将样品结构解析到纳米级别。此外，对于需要高度聚焦、稳定光束与样品相互作用的实验，机器学习技术同样具有显著优势。

打开人工智能“黑匣子”

随着对样品的精细扫描需求增加，找到纠正光束缺陷的新方法变得尤为重要。光源设备一直在努力解决的核心问题之一是光束线源点处的电子束垂直尺寸波动。源点是指电子束发射的位置，也是产生特定光束线实验光的点。虽然电子束宽度存在自然波动，但垂直源尺寸的波动尤为关键。这一努力克服了最初对机器学习提高加速器性能可行性的怀疑，并揭示了这类工具如何真正发挥作用的秘密。

这不是传统加速器社区常用的工具，但这次研究成功地将两个不同领域的专家汇聚在一起，共同解决了一个棘手的问题。机器学习本质上需要两个条件：问题必须可重复，并且需要大量数据。数据显示，当在各个光束线上进行调整时，电子束性能会出现大幅波动，而该算法找到了一种方法，通过调整电子束，使其比传统方法更好地抵消了这种影响。这一问题涉及约35个参数，非常复杂，但经过训练的神经网络能够提供预测，如果不对源大小进行任何调整，会发生什么情况。

在这个模型中加入了一个额外的参数，描述了特定类型磁铁的变化如何影响源尺寸。因此，研究团队的任务是选择参数，根据神经网络的预测，生成所需光束尺寸，并将其应用到设备上。算法指导的系统现在可以以每秒10次的频率进行校正，虽然每秒三次的频率已经足以满足当前的需求。机器学习团队获得了两年的资金支持，与SLAC国家加速器实验室的斯坦福同步辐射光源合作，开展更多的机器学习项目。研究人员表示，虽然人工智能这个词已经流行多年，但这次它终于成为真正实用的技术。

——博科园——

参考期刊《物理评论快报》

DOI: 10.1103/PhysRevLett.123.194801

博科园｜科学、科技、科研、科普

关注【博科园】看更多大美宇宙科学