Машинного обучения усиливает световой луч выступление на дополнительный источник света

Источники синхротронного излучения являются мощные объекты, которые излучают свет в различных «цветов», или длин волн-от инфракрасных до рентгеновских лучей — за счет ускорения электронов, излучают свет в контролируемых балок.

Синхрофазотроны, как дополнительно источник света в Министерство энергетики национальной лаборатории Лоренса Беркли (Беркли лаборатории) позволяет ученым исследовать образцы в различными способами, используя этот свет, в полях, начиная от материаловедения, биологии и химии, физики и экологии.

Исследователи нашли способы, чтобы модернизировать эти машины производят более интенсивный, целенаправленный, последовательный и световые лучи, которые позволяют внедрять новые и более сложные и детальные исследования по широкому спектру типов образцов.

Но некоторые светолучевой свойства еще колебания экспонат в производительности, что создает проблемы для определенных экспериментов.

Решение давней проблемы

Многие из этих синхротронного удобства доставлять различные типы света для десятков одновременных экспериментов. И маленькие хитрости, чтобы увеличить световой луч на свойства этих индивидуальных пучковых канала уже может отразиться на общей светолучевой производительность всей установки. Дизайнеры синхротронного и операторы боролись в течение многих десятилетий с разными подходами, чтобы компенсировать самые упрямые этих колебаний.

И сейчас, большая команда исследователей лаборатории Беркли и Калифорнийского университета в Беркли успешно продемонстрировали, как машина-средств обучения позволяет повысить стабильность световых пучков’ размер для экспериментов через изменения, которые в значительной степени компенсируют эти колебания — уменьшение их уровня на несколько процентов вниз на 0,4 процента, с субмикронными (менее 1 миллионной части метра) точность.

Инструменты подробно описаны в исследовании, опубликованном ноября. 6 в журнале «физическое обозрение» письма.

Машинное обучение-это форма искусственного интеллекта, в которых компьютерные системы анализировать набор данных для построения прогностических программ, которые позволяют решать комплексные задачи. Машина-алгоритмы обучения, используемые на АЛС передаются в виде «нейронной сети», так как они способны распознать закономерности в данных способом, который слабо напоминает функций человеческого мозга.

В этом исследовании ученые кормили электронно-лучевой данных из АЛС, которая включала позиций магнитные приборы используют для получения света от пучка электронов, в нейронной сети. Нейросеть признал закономерности в этих данных, и определить, как оказывает влияние на различные параметры устройства ширина пучка электронов. Машина-алгоритм обучения также рекомендуется скорректировать магниты для оптимизации электронного пучка.

Поскольку размер пучка электронов зеркал в результате световой луч, создаваемому магнитами, алгоритм также оптимизированный световой луч, который используется для исследования свойств материалов на АЛС.

Решение может иметь глобальные последствия

Успешная демонстрация на АЛС показывает, как технология может также обычно применяются для других источников света, и будет особенно полезен для специализированных исследований включена по модернизации АЛС известный как бас-у проекта.

«В этом прелесть этого», — сказал Хироси-Сан Нисимура, партнер лаборатории Беркли, который в прошлом году вышел в отставку и занялся в начале обсуждения и исследования машинного обучения решение давней светолучевой размер-проблема стабильности. «Любой ускоритель, и все обычные решения, это решение может быть на вершине, что.»

Стив Кивана, директор АЛС, сказал: «Это очень важный шаг вперед для АЛС и АЛС-У. В течение нескольких лет у нас были проблемы с артефактами на снимках с наших рентгеновские микроскопы. Данное исследование представляет собой новый прямой подход, основанный на машинном обучении, и это в значительной степени решило проблему.»

Проект, СРС-u будет увеличить узкой направленности световых пучков от около 100 микрон до менее чем 10 мкм, а также создать более высокий спрос на надежное светолучевой свойства.

Машина-способ изучения основывается на традиционных решений, которые были улучшены на протяжении десятилетий после ИИ началась в 1993 году, и которые полагаются на постоянной корректировки магнитов вдоль кольцевой АЛС, что компенсации в режиме реального времени для корректировки индивидуальных пучковых канала уже.

Нисимура, который был частью команды, которая принесла АЛС онлайн более 25 лет назад, он сказал, что начал изучать возможности применения машинного обучения инструменты для применения ускорителя примерно четыре или пять лет назад. Его разговоры продлен для специалистов по вычислительной и ускорителей в лаборатории Беркли и Калифорнийского университета в Беркли, и эта концепция стала гель около двух лет назад.

Успешное тестирование во время операции АЛС

Исследователи успешно протестировали алгоритм на двух разных сайтах по всему АЛС кольцо в начале этого года. Они предупреждены пользователи АЛС проводит эксперименты по тестированию нового алгоритма, и попросил их дать обратную связь на любые неожиданные проблемы с производительностью.

«У нас были тесты в ходе работы с апреля по июнь этого года», — сказал С. Натан Мелтон, постдокторант в АЛС, кто присоединился к машинному обучению команды в 2018 году и работала в тесном контакте с Шуай Лю, бывший аспирант Калифорнийского университета в Беркли, который внес значительный вклад в усилия и является соавтором исследования.

Саймон Leemann, заместитель по оперативной ускоритель и развития на СЛА и главный исследователь в машину-обучения, сказал: «Мы не имеем ни одного отрицательного отзыва на тестирование. Один из мониторинга пучковых канала уже используемые команды-это диагностический частей, которая постоянно измеряет производительность ускорителя, а другой части канала, где эксперименты активно работает». Алекс Hexemer, старший научный сотрудник АЛС и программа для вычислительной, служил в качестве соведущего в разработке нового инструмента.

В части канала с активных экспериментов, частей 5.3.2.2, использует технику, известную как передача сканирующая рентгеновская микроскопия или STXM, и там ученые сообщили об улучшении света-луча эффективность в экспериментах.

Машины-обучение команды отметил, что усиленный световой луч производительность также хорошо подходит для современных рентгеновских методов, таких как ptychography, который может разрешить структуру образцов до уровня нанометров (миллиардных долей метра); и рентгеновской фотонной корреляционной спектроскопии или памяти по сравнению с XPC, который полезен для изучения быстрых изменений в концентрированных материалов, не имеют единой структуры.

Другие эксперименты, которые требуют надежного, сильно сфокусированный пучок света постоянной интенсивности, где он взаимодействует с образцом, также могут извлечь выгоду из машинного обучения, совершенствования, Leemann отметил.

«Требования к экспериментов становятся жестче, с меньшим-зона сканирования по образцам», — сказал он. «Мы должны найти новые способы для исправления этих недостатков».

Он отметил, что основная проблема в том, что свет-Источник сообщество боролся с … и что машина-средства обучения-адрес-это колебания вертикального размера электронного пучка на исходную точку из частей.

Точечный источник-это точка, где пучок электронов на источник света излучает свет, который путешествует в эксперименте определенного частей по. В то время как ширина пучка электронов на данный момент является естественно стабильным, его высота (или вертикальный размер источника) может колебаться.

Открывая «черный ящик» искусственного интеллекта

«Это очень хороший пример команды науке» Leemann, отметив, что усилия преодолел некоторый первоначальный скептицизм по поводу жизнеспособности машинного обучения для повышения производительность ускорителя и открыл «черный ящик», как такие инструменты могут производить реальные блага.

«Это не инструмент, который традиционно является частью сообщества ускорителя. Нам удалось вывести людей из двух разных общин вместе исправить очень сложная проблема». Приняли участие около 15 исследователей лаборатории Беркли в работе.

«Машинное обучение принципиально требует двух вещей: проблемы должен быть воспроизводимым, и вы нужны огромные объемы данных,» Leemann сказал. «Мы поняли, что мы можем поставить все наши данные и алгоритм распознавать шаблоны.»

Данные показали сигнала в электронно-лучевой производительности, как были внесены коррективы в индивидуальных пучковых канала уже, и алгоритм нашел способ настройки электронного луча так, что он отрицает это лучше, чем обычными методами может повлиять.

«Проблема состоит из примерно 35 параметры — слишком сложной для нас, чтобы выяснить себе,» Leemann сказал. «Что нейронная сеть сделал после того, как он был обучен — он дал нам прогноз, что случится за исходный размер в машину, если она ничего не сделала, чтобы исправить это.

«Существует дополнительный параметр в этой модели, которая описывает, как мы вносим изменения в определенный тип Магнита влияет, что размер источника. Тогда все мы должны сделать, это выбрать параметр, который-в соответствии с этим нейронная сеть прогнозирование — результаты в размер луча мы хотим создать и применить к машине,» Leemann добавил.

Алгоритм-ориентированная система теперь может внести корректировки в размере до 10 раз в секунду, хоть три раза в секунду представляется адекватным для повышения эффективности работы на данном этапе, Leemann сказал.

Поиск новых машины-обучающие приложения

Машины-обучение команды получил два года финансирование от Министерства энергетики США в августе 2018 года, чтобы добиваться этого и от других машин-учебные проекты в сотрудничестве с Стэнфордского синхротронного излучения источник в Национальной ускорительной лаборатории SLAC. «У нас есть планы продолжать развивать это и у нас тоже есть пару новых машин-обучение идеи, которые мы хотели бы попробовать,» Leemann сказал.

Нисимура говорит, что словечки «искусственный интеллект», похоже, торговался внутри и вне научного сообщества на протяжении многих лет, хотя, «на этот раз он, наконец, представляется чем-то реальным».

сделать разницу: спонсорские возможности