Rappresentazione artistica di una rete neurale sovrapposta a un profilo di fascio di elettroni. Credito:Adi Hanuka/SLAC National Accelerator Laboratory
Fasci di elettroni accelerati alimentano microscopi elettronici, laser a raggi X, acceleratori medici e altri dispositivi. Per ottimizzare le prestazioni di queste applicazioni, gli operatori devono essere in grado di analizzare la qualità dei fasci e regolarli secondo necessità.
Negli ultimi anni, i ricercatori dello SLAC National Accelerator Laboratory del Dipartimento dell'Energia hanno sviluppato una "diagnostica virtuale" che utilizza l'apprendimento automatico per ottenere informazioni cruciali sulla qualità del raggio in modo efficiente, modo non invasivo. Ora, un nuovo approccio diagnostico virtuale, pubblicato in Rapporti scientifici , incorpora informazioni aggiuntive sul raggio che consentono al metodo di funzionare in situazioni in cui la diagnostica convenzionale ha fallito.
"Il nostro metodo può essere utilizzato per diagnosticare praticamente qualsiasi macchina che utilizza fasci di elettroni, che si tratti di un microscopio elettronico per l'imaging di oggetti ultrapiccoli o di un acceleratore medico utilizzato nella terapia del cancro, " ha affermato Adi Hanuka, ricercatore associato dello SLAC, che ha condotto lo studio.
La diagnostica convenzionale del raggio è un dispositivo fisico che deve interagire con il raggio per misurarne le proprietà, come intensità e forma. Questa interazione spesso distrugge o altera il raggio o richiede la sua deflessione, quindi non può essere utilizzato contemporaneamente per l'applicazione effettiva. Le limitazioni tecniche impediscono anche misurazioni accurate in alcuni casi, per esempio quando gli impulsi di elettroni del raggio vengono emessi a una velocità molto elevata o sono molto intensi.
Il nuovo metodo non ha nessuna di queste limitazioni perché non è un dispositivo fisico. Anziché, utilizza una rete neurale, un algoritmo di apprendimento automatico ispirato alla rete neurale del cervello. Una volta che il team SLAC ha addestrato la rete neurale sui dati acquisiti con gli acceleratori di particelle del laboratorio, l'algoritmo è stato in grado di prevedere con precisione le proprietà del fascio per situazioni sperimentali.
Il ricercatore associato SLAC Adi Hanuka ha guidato lo sviluppo di un nuovo strumento diagnostico virtuale, un algoritmo di apprendimento automatico che può aiutare a ottimizzare le prestazioni dei laser a raggi X, microscopi elettronici, acceleratori medici e altri dispositivi che dipendono da fasci di elettroni di alta qualità. Attestazione:Efrat Eshel
I ricercatori hanno dimostrato il metodo confrontando le sue previsioni con dati sperimentali e simulati per i fasci di elettroni del laser a raggi X Linac Coherent Light Source (LCLS), il suo futuro aggiornamento LCLS-II, e il recentemente aggiornato Facility for Advanced Accelerator Experimental Tests (FACET-II), tre strutture per gli utenti dell'Ufficio delle scienze del DOE presso lo SLAC.
In particolare, i risultati mostrano che l'approccio di apprendimento automatico aiuta in situazioni che vanno oltre le capacità degli strumenti convenzionali. Nel caso di LCLS-II, Per esempio, la rete neurale può fornire informazioni dettagliate su ciascuno dei milioni di impulsi di elettroni al secondo che la macchina produrrà, una frequenza di impulsi senza precedenti che supera i limiti dell'attuale tecnologia diagnostica. La diagnostica virtuale può anche fornire informazioni accurate sul raggio ad alta intensità di FACET-II, che è difficile da analizzare con dispositivi fisici.
