同步加速器光源是一種強大的設備,使科學家能夠在材料科學、生物學、化學、物理和環境科學等領域,以各種各樣的方式探索樣品。近日,研究人員表示已經找到了升級這些機器的方法,以產生更強、更集中、更一致的光束,從而能夠在更大範圍的樣本類型中進行更複雜、更詳細的新研究。但是一些光束特性仍然表現出性能的波動,這給某些實驗帶來了挑戰。
許多同步加速器設備為數十個同步實驗提供不同類型的光。對這些單獨光束線進行小調整增強光束性能,可以反饋到整個設施的整體光束性能。現在,美國能源部勞倫斯·伯克利國家實驗室和加州大學伯克利分校的研究人員成功地演示了如何利用機器學習改善光束的穩定性。相關論文近日刊登於《物理評論快報》。
在這項研究中,研究人員將來自先進光源(ALS)的電子束數據輸入到機器學習網絡。網絡能識別這些數據的模式,並確定不同的設備參數如何影響電子束的寬度。機器學習算法還建議調整磁鐵以優化電子束。由於電子束的大小反映了磁體產生的光束,該算法還優化了ALS用於研究材料特性的光束。
ALS主任Steve Kevan說:「這是ALS及其升級版的一個非常重要的進展。幾年來,我們在x光顯微鏡的圖像中發現了一些偽影。本研究提出了一種新的基於機器學習的前饋方法,在很大程度上解決了這一問題。」
研究人員表示,ALS的成功演示表明,該技術也可以普遍應用於其他光源。
相關論文信息:http://dx.doi.org/10.1103/PhysRevLett.123.194801