Le sorgenti di luce di sincrotrone sono potenti strutture che producono luce in una varietà di "colori, "o lunghezze d'onda, dall'infrarosso ai raggi X, accelerando gli elettroni per emettere luce in fasci controllati.

I sincrotroni come l'Advanced Light Source presso il Lawrence Berkeley National Laboratory del Department of Energy (Berkeley Lab) consentono agli scienziati di esplorare i campioni in vari modi utilizzando questa luce, in campi che vanno dalla scienza dei materiali, biologia, e chimica alla fisica e alle scienze ambientali.

I ricercatori hanno trovato il modo di aggiornare queste macchine per produrre più intensi, focalizzata, e fasci di luce coerenti che consentono nuove, e studi più complessi e dettagliati su un'ampia gamma di tipi di campioni.

Ma alcune proprietà del raggio di luce mostrano ancora fluttuazioni nelle prestazioni che presentano sfide per determinati esperimenti.

Affrontare un problema vecchio di decenni

Molte di queste strutture di sincrotrone forniscono diversi tipi di luce per dozzine di esperimenti simultanei. E piccole modifiche per migliorare le proprietà del raggio di luce su queste singole linee di luce possono ripercuotersi sulle prestazioni complessive del raggio di luce nell'intera struttura. I progettisti e gli operatori di sincrotrone hanno lottato per decenni con una varietà di approcci per compensare la più ostinata di queste fluttuazioni.

E adesso, un ampio team di ricercatori del Berkeley Lab e dell'UC Berkeley ha dimostrato con successo come gli strumenti di apprendimento automatico possono migliorare la stabilità delle dimensioni dei fasci di luce per gli esperimenti tramite regolazioni che annullano ampiamente queste fluttuazioni, riducendole da un livello di pochi punti percentuali in meno allo 0,4 percento, con precisione submicronica (inferiore a 1 milionesimo di metro).

Gli strumenti sono dettagliati in uno studio pubblicato il 6 novembre sulla rivista Lettere di revisione fisica .

L'apprendimento automatico è una forma di intelligenza artificiale in cui i sistemi informatici analizzano una serie di dati per costruire programmi predittivi che risolvono problemi complessi. Gli algoritmi di apprendimento automatico utilizzati presso la SLA sono indicati come una forma di "rete neurale" perché sono progettati per riconoscere i modelli nei dati in un modo che ricorda vagamente le funzioni del cervello umano.

In questo studio, i ricercatori hanno alimentato i dati del fascio di elettroni dalla SLA, che includeva le posizioni dei dispositivi magnetici utilizzati per produrre luce dal fascio di elettroni, nella rete neurale. La rete neurale ha riconosciuto i modelli in questi dati e ha identificato come i diversi parametri del dispositivo hanno influenzato la larghezza del fascio di elettroni. L'algoritmo di apprendimento automatico ha anche raccomandato di regolare i magneti per ottimizzare il fascio di elettroni.

Poiché la dimensione del fascio di elettroni rispecchia il fascio di luce risultante prodotto dai magneti, l'algoritmo ha anche ottimizzato il raggio di luce utilizzato per studiare le proprietà dei materiali presso l'ALS.

La soluzione potrebbe avere un impatto globale

La riuscita dimostrazione presso l'ALS mostra come la tecnica possa essere generalmente applicata anche ad altre sorgenti luminose, e sarà particolarmente utile per gli studi specializzati abilitati da un aggiornamento dell'ALS noto come progetto ALS-U.

"Questa è la bellezza di questo, " disse Hiroshi Nishimura, un affiliato di Berkeley Lab che è andato in pensione l'anno scorso e si era impegnato nelle prime discussioni ed esplorazioni di una soluzione di apprendimento automatico al problema di vecchia data della stabilità delle dimensioni del raggio di luce. "Qualunque sia l'acceleratore, e qualunque sia la soluzione convenzionale, questa soluzione può essere al di sopra di tutto ciò."

Steve Kevan, Direttore della SLA, disse, "Questo è un progresso molto importante per SLA e SLA-U. Per diversi anni abbiamo avuto problemi con gli artefatti nelle immagini dei nostri microscopi a raggi X. Questo studio presenta un nuovo approccio feed-forward basato sull'apprendimento automatico, e ha ampiamente risolto il problema".

Il progetto ALS-U aumenterà la focalizzazione ristretta dei fasci di luce da un livello di circa 100 micron fino a meno di 10 micron e creerà anche una maggiore domanda di coerente, proprietà affidabili del raggio di luce.

La tecnica di apprendimento automatico si basa su soluzioni convenzionali che sono state migliorate nel corso dei decenni dall'avvio dell'ALS nel 1993, e che si basano su regolazioni costanti dei magneti lungo l'anello ALS che compensano in tempo reale le regolazioni alle singole linee di luce.

Nishimura, che aveva fatto parte del team che ha portato la SLA online più di 25 anni fa, ha affermato di aver iniziato a studiare la potenziale applicazione di strumenti di apprendimento automatico per applicazioni di accelerazione circa quattro o cinque anni fa. Le sue conversazioni si sono estese agli esperti di informatica e acceleratori del Berkeley Lab e dell'UC Berkeley, e il concetto ha iniziato a prendere forma circa due anni fa.

Test di successo durante le operazioni ALS

I ricercatori hanno testato con successo l'algoritmo in due diversi siti intorno all'anello della SLA all'inizio di quest'anno. Hanno avvisato gli utenti di SLA che stavano conducendo esperimenti sul test del nuovo algoritmo, e ha chiesto loro di fornire un feedback su eventuali problemi di prestazioni imprevisti.

"Abbiamo avuto test coerenti nelle operazioni degli utenti da aprile a giugno di quest'anno, " ha detto C. Nathan Melton, un borsista post-dottorato presso la SLA che si è unito al team di apprendimento automatico nel 2018 e ha lavorato a stretto contatto con Shuai Liu, un ex studente laureato alla UC Berkeley che ha contribuito notevolmente allo sforzo ed è coautore dello studio.

Simon Leemann, vice per le operazioni e lo sviluppo degli acceleratori presso l'ALS e il ricercatore principale nello sforzo di apprendimento automatico, disse, "Non abbiamo avuto alcun feedback negativo sui test. Una delle linee di luce di monitoraggio utilizzate dal team è una linea di luce diagnostica che misura costantemente le prestazioni dell'acceleratore, e un altro era una linea di luce in cui gli esperimenti erano attivamente in esecuzione." Alex Hexemer, uno scienziato senior presso la SLA e responsabile del programma per l'informatica, servito come co-lead nello sviluppo del nuovo strumento.

La linea di luce con gli esperimenti attivi, Linea di raggio 5.3.2.2, utilizza una tecnica nota come microscopia a raggi X a trasmissione a scansione o STXM, e gli scienziati hanno riferito di un miglioramento delle prestazioni del raggio di luce negli esperimenti.

Il team di machine learning ha notato che le prestazioni migliorate del raggio di luce sono adatte anche per tecniche a raggi X avanzate come la pticografia, che può risolvere la struttura dei campioni fino al livello dei nanometri (miliardesimi di metro); e spettroscopia di correlazione fotonica a raggi X, o XPCS, che è utile per studiare i cambiamenti rapidi in materiali altamente concentrati che non hanno una struttura uniforme.

Altri esperimenti che richiedono un affidabile, raggio di luce altamente focalizzato di intensità costante in cui interagisce con il campione può anche beneficiare del miglioramento dell'apprendimento automatico, ha notato Leemann.

"I requisiti degli esperimenti stanno diventando più severi, con scansioni di aree più piccole su campioni, " ha detto. "Dobbiamo trovare nuovi modi per correggere queste imperfezioni".

Ha notato che il problema principale con cui la comunità delle sorgenti luminose ha lottato e che gli strumenti di apprendimento automatico affrontano è la dimensione fluttuante del fascio di elettroni verticale nel punto di origine della linea di luce.

Il punto sorgente è il punto in cui il fascio di elettroni alla sorgente luminosa emette la luce che viaggia verso l'esperimento di una specifica linea di luce. Mentre la larghezza del fascio di elettroni a questo punto è naturalmente stabile, la sua altezza (o dimensione della sorgente verticale) può variare.

Aprire la "scatola nera" dell'intelligenza artificiale

"Questo è un bell'esempio di scienza di squadra, "Leemann ha detto, rilevando che lo sforzo ha superato un po' di scetticismo iniziale sulla fattibilità dell'apprendimento automatico per migliorare le prestazioni dell'acceleratore, e ha aperto la "scatola nera" di come tali strumenti possono produrre benefici reali.

"Questo non è uno strumento che fa parte tradizionalmente della comunità degli acceleratori. Siamo riusciti a riunire persone di due diverse comunità per risolvere un problema davvero difficile". Circa 15 ricercatori del Berkeley Lab hanno partecipato allo sforzo.

"L'apprendimento automatico richiede fondamentalmente due cose:il problema deve essere riproducibile, e hai bisogno di enormi quantità di dati, "Ha detto Leemann. "Ci siamo resi conto che potevamo utilizzare tutti i nostri dati e far sì che un algoritmo riconoscesse i modelli".

I dati hanno mostrato i piccoli blips nelle prestazioni del fascio di elettroni man mano che venivano apportate modifiche alle singole linee di luce, e l'algoritmo ha trovato un modo per sintonizzare il fascio di elettroni in modo che negasse questo impatto meglio di quanto potessero fare i metodi convenzionali.

"Il problema consiste in circa 35 parametri, troppo complessi per noi per capire da soli, "Ha detto Leemann. "Ciò che la rete neurale ha fatto una volta addestrata, ci ha fornito una previsione di cosa sarebbe successo per la dimensione della sorgente nella macchina se non avesse fatto nulla per correggerla.

"C'è un parametro aggiuntivo in questo modello che descrive come i cambiamenti che apportiamo in un certo tipo di magnete influenzano la dimensione della sorgente. Quindi tutto ciò che dobbiamo fare è scegliere il parametro che, secondo questa previsione della rete neurale, risulta in la dimensione del raggio che vogliamo creare e applicarla alla macchina, " ha aggiunto Leemann.

Il sistema guidato da algoritmi ora può apportare correzioni a una velocità fino a 10 volte al secondo, anche se tre volte al secondo sembra essere adeguato per migliorare le prestazioni in questa fase, ha detto Leemann.

La ricerca di nuove applicazioni di machine learning

Il team di apprendimento automatico ha ricevuto due anni di finanziamenti dal Dipartimento dell'Energia degli Stati Uniti nell'agosto 2018 per perseguire questo e altri progetti di apprendimento automatico in collaborazione con la Stanford Synchrotron Radiation Lightsource presso lo SLAC National Accelerator Laboratory. "Abbiamo in programma di continuare a svilupparlo e abbiamo anche un paio di nuove idee di apprendimento automatico che vorremmo provare, " ha detto Leemann.

Nishimura ha detto che le parole d'ordine "intelligenza artificiale" sembrano aver fatto tendenza dentro e fuori dalla comunità di ricerca per molti anni, anche se, "Questa volta sembra finalmente essere qualcosa di reale."