每年，世界各地的许多科学家都会前往美国能源部SLAC国家加速器实验室，在直线加速器相干光源（LCLS）的X射线激光器上进行数百项关于化学、材料科学、生物和能源的研究实验。直线加速器相干光源利用高能电子束产生极其明亮的X射线，这些电子束由巨大的线性粒子加速器产生。

直线加速器相干光源的实验日夜不停地进行，每天分为两个12小时的班次。在每个班次结束时，操作员需要调整加速器的各项功能，以准备下一次实验所需的X射线束。有时，在班次期间也需要进行额外调整。过去，操作员每年要花费大量时间来完成这些调整任务，被称为加速器调谐。然而，现在，SLAC国家加速器实验室的研究人员开发了一种利用人工智能和机器学习的新工具，这种方法比传统方法快五倍，并且在《物理评论快报》上发表了相关研究。

生产强大的X射线束需要高质量的电子束。电子束的密度和聚焦程度是决定X射线束质量的关键因素。SLAC国家加速器实验室人工智能和机器学习项目的负责人丹尼尔·拉特纳指出，即使是微小的电子束密度变化，也会对最终释放的X射线量产生显著影响。

加速器使用24种特殊的四极磁铁来聚焦电子束，类似于玻璃透镜聚焦光线。传统的操作员需要手动调节这些磁铁以确保产生特定实验所需的X射线束，这一过程耗费了大量的时间。几年前，直线加速器相干光源的操作员引入了一种自动调谐磁铁的计算机算法，但该算法存在局限性，因为它无法提前了解加速器的结构，也无法在调整过程中做出有根据的猜测。

因此，SLAC国家加速器实验室的研究人员决定开发一种新的算法，结合人工智能和机器学习技术，以及对加速器物理的理解。新方法使用高斯过程技术来预测特定调整对X射线光束质量的影响，并为其预测提供不确定性评估。这意味着算法可以尝试更具冒险性的调整，从而更有可能找到最佳的X射线束。

研究人员还利用以前直线加速器相干光源操作的数据来训练算法，以识别哪些磁铁强度设置通常会产生更亮的X射线。这种方法使算法获得了人类操作员所具备的专业知识，而旧算法则不具备这种知识。此外，对磁铁间相互关系的理解也提升了算法的性能，因为四极磁铁通常是成对工作的。

为了增强聚焦效果，必须增加某些磁铁对的强度，同时降低另一些磁铁对的强度。研究人员预计，使用新的调谐方法，调整四极磁铁的速度将加快三到五倍，同时还能产生比以往更强的光束。SLAC国家加速器实验室的操作员简·什塔伦科娃表示，调谐效率的提升对于向全球各地的科学家提供高质量光束至关重要。

同样的方法还可以应用于调整其他电子束或X射线束的特性，以满足不同实验的需求。例如，研究人员可以利用这项技术，在X射线束撞击样品后，最大化从样品中获取的信号。这种灵活性也使得新算法适用于其他设备。机器学习算法的优势在于，它可以相对容易地转移到其他应用中。

通过这种方式，SLAC国家加速器实验室的研究人员不仅提高了工作效率，还为未来的研究提供了更灵活和高效的工具。