人工智能大顯神通，實現(xiàn)用機器學習算法簡化粒子加速器的操作

【手機軟件：博科園】每年來自世界各地的很多科學家都會訪問能源部SLAC國家加速器實驗室，在直線加速器相干光源（LCLS）X射線激光器上進行數(shù)百項化學、材料科學、生物和能源研究的實驗。直線加速器相干光源從巨型線性粒子加速器產(chǎn)生的高能電子束中產(chǎn)生超亮X射線。直線加速器相干光源的實驗日以繼夜地進行，每天有兩個12小時的輪班。

在每次輪班開始時，操作員必須調(diào)整加速器的性能，為下一次實驗準備X射線束。有時，在輪班期間也需要額外的調(diào)整。在過去，操作員每年都要花費數(shù)百個小時來完成這項任務，稱為加速器調(diào)諧。現(xiàn)在，SLAC國家加速器實驗室的研究人員，開發(fā)了一種使用人工智能機器學習的新工具，與以前的方法相比，它可能會使部分調(diào)優(yōu)過程快五倍，其研究發(fā)表在《物理評論快報》期刊上。

人工智能機器學習

生產(chǎn)直線加速器相干光源強大的X射線束，首先要準備高質(zhì)量的電子束。然后，一些電子的能量在特殊磁鐵中被轉(zhuǎn)化為X射線光。電子束的特性需要是密集和緊密聚焦的，這是決定X射線束好壞的關鍵因素。SLAC國家加速器實驗室人工智能機器學習計劃負責人、開發(fā)這項新技術的團隊成員丹尼爾·拉特納(Daniel Ratner)說：即使是電子束密度的微小差異，也會對最終釋放出的X射線量產(chǎn)生巨大影響。

加速器使用一系列稱為四極磁鐵的24種特殊磁鐵來聚焦電子束，類似于玻璃透鏡聚焦光線的方式。一般人類操作員在輪班之間小心翼翼地轉(zhuǎn)動旋鈕來調(diào)節(jié)單個磁鐵，以確保加速器產(chǎn)生特定實驗所需的X射線束。這一過程占用了操作員大量的時間，本來他們可以花在其他重要的任務上，以改進用于實驗的光束。幾年前，直線加速器相干光源操作員采用了一種自動加速磁鐵調(diào)諧的計算機算法。

更好的光束

然而，它也有缺點，其目的是通過隨機調(diào)整磁鐵強度來改善X射線束。但與人類操作員不同的是，這個算法事先不知道加速器的結構，也不能在調(diào)整過程中做出有根據(jù)的猜測，最終可能會產(chǎn)生更好的結果。這就是為什么SLAC國家加速器實驗室的研究人員，決定開發(fā)一種新的算法，將人工智能機器學習，學習如何隨著時間推移變得更好的“智能”計算機程序，與加速器的物理知識相結合。

新方法使用了一種稱為高斯過程的技術，它預測了特定加速器調(diào)整對X射線光束質(zhì)量的影響。它還為其預測帶來了不確定性，然后，算法決定嘗試哪些調(diào)整以獲得最大改進。例如，它可能決定嘗試一次戲劇性的調(diào)整，其結果非常不確定，但可能會帶來巨大的回報。這意味著這種新的、富有冒險精神的算法，比以前的算法有更好的機會進行必要調(diào)整，以產(chǎn)生盡可能最佳的X射線束。

SLAC國家加速器實驗室的研究人員，還使用之前直線加速器相干光源（LCLS）操作的數(shù)據(jù)來教授算法，哪些磁體強度通常會導致更亮的X射線，這給了算法一種對應該嘗試的調(diào)整，做出有根據(jù)的猜測方法。這為算法配備了人類操作員自然擁有的專業(yè)知識，而之前的算法缺乏這些知識和專業(yè)知識。對磁鐵相互關系的洞察也改進了這項技術，四極磁鐵是成對工作的。

超越直線加速器相干光源

為了增加聚焦功率，必須增加一對磁鐵的強度，而降低另一對磁鐵的強度。研究人員估計，使用新的工藝，調(diào)諧四極磁鐵的速度大約快了三到五倍，同時它還傾向于產(chǎn)生比以前使用的算法更高強度的光束。SLAC國家加速器實驗室的加速器操作員簡·什塔倫科娃(Jane Shtalenkova)表示：我們提高調(diào)諧效率的能力，是對于能夠更高質(zhì)量地向來自世界各地進行實驗的人提供光束非常關鍵。

同樣的方法可以擴展到調(diào)整科學家們，可能想要為他們實驗優(yōu)化的其他電子束或X射線束特性。例如，研究人員可以應用這項技術，在直線加速器相干光源（LCLS）的X射線束擊中樣本后，最大化從樣本中獲得的信號，這種靈活性也使得新算法對其他設施很有用，這種機器學習算法的好處是，可以相對容易地進行技術轉(zhuǎn)移。

博科園｜研究/來自：SLAC國家加速器實驗室

研究發(fā)表期刊《物理評論快報》

博科園｜科學、科技、科研、科普

關注【博科園】看更多大美宇宙科學