Diagnóstico virtual multiinstalación para predicciones del espacio de fases longitudinal

Ver dentro de los haces de partículas sin destruirlos

Los láseres de electrones libres y otras potentes fuentes de rayos X dependen de paquetes de electrones cuidadosamente modelados que viajan cerca de la velocidad de la luz. Ajustar estos haces normalmente requiere instrumentos diagnósticos que interrumpen o destruyen el haz, lo que hace imposible medirlo mientras se realizan experimentos. Este artículo explora cómo el aprendizaje automático puede actuar como un “instrumento virtual”, permitiendo a los operadores observar la estructura interna de los haces de electrones en tiempo real sin detener las máquinas.

Por qué la forma del haz importa para los rayos X brillantes

En un acelerador lineal moderno, los electrones no están simplemente en fila. Cada paquete tiene una estructura interna rica: en qué posición temporal se encuentran los electrones a lo largo del paquete y cómo varían sus energías. En conjunto, esto se denomina espacio de fases longitudinal y determina en gran medida cuán brillante y estable será un pulso de rayos X. La herramienta de referencia para mapear esta estructura es una estructura deflectora transversa: una cavidad de radiofrecuencia especial más imanes y una pantalla que dispersan el haz en una imagen bidimensional. Esa imagen revela cantidades clave, como la longitud del paquete y la dispersión energética, pero el precio es alto: el haz se desvía hacia una pantalla y deja de estar disponible para experimentos, además de que el sistema es complejo y requiere mucho tiempo operarlo.

Enseñar a un instrumento virtual a ver el haz

Los autores proponen un enfoque distinto: usar aprendizaje automático para entrenar un diagnóstico virtual que pueda predecir lo que mostraría el instrumento destructivo, basándose únicamente en medidas no invasivas tomadas continuamente. Estas incluyen lecturas de monitores de posición del haz, monitores de tiempo de llegada del haz, transformadores de corriente y ajustes de radiofrecuencia que modelan el haz. Al alimentar muchas parejas de ejemplo—imágenes reales del espacio de fases procedentes de las estructuras deflectoras junto con sus lecturas no destructivas correspondientes—en redes neuronales artificiales, el sistema aprende la relación entre señales fáciles de medir y la estructura interna oculta del haz. Una vez entrenada, la red puede inferir al instante la imagen completa del espacio de fases longitudinal sin tocar el haz.

Probar la idea en tres máquinas diferentes

Para comprobar si una receta general funcionaría de forma amplia, el equipo aplicó el mismo diseño de red y estrategia de entrenamiento en tres instalaciones muy distintas: el acelerador lineal MAX IV en Suecia y los láseres de electrones libres FERMI y SwissFEL en Italia y Suiza. Cada máquina tiene su propia disposición, energías de haz y esquemas de compresión, y sus propios montajes deflectores transversos. Los investigadores variaron sistemáticamente ajustes de máquina que normalmente se usan para afinar la forma del haz—como fases de radiofrecuencia, condiciones del compresor de pulso y potencia del calentador láser—y registraron miles de imágenes destructivas junto con las señales no destructivas correspondientes. Con estos conjuntos de datos, entrenaron redes que toman las lecturas no destructivas y generan una imagen bidimensional completa del espacio de fases.

Predecir imágenes completas y números clave

Los diagnósticos virtuales funcionaron notablemente bien en las cuatro líneas de haz estudiadas (MAX IV, FERMI y las dos ramas de SwissFEL, Athos y Aramis). Cuando se juzgó por la concordancia entre imágenes predichas y medidas, las puntuaciones superaron típicamente el 90 por ciento, y en muchos casos rondaron o superaron el 95 por ciento. Las redes incluso reprodujeron detalles finos, como colas sutiles y subestructuras internas en la distribución del haz. Los autores también construyeron redes más sencillas que omiten la imagen completa y, en cambio, predicen solo unos pocos números vitales extraídos de ella—como la longitud del paquete, la dispersión energética total y el “chirp” energético, que describe cómo varía la energía a lo largo del paquete. Estos modelos compactos entrenaron más rápido, usaron muchos menos parámetros y aún alcanzaron errores lo bastante pequeños como para igualar o superar lo que puede resolver el diagnóstico físico en la práctica.

¿Qué tan estables son estas predicciones con el tiempo?

Los aceleradores reales derivan: pequeños cambios en las fases de radiofrecuencia, calibraciones de imanes o diagnósticos pueden desplazar gradualmente la relación entre las entradas y la estructura del haz. Para probar la robustez, el equipo entrenó un diagnóstico virtual en MAX IV con datos de un solo día y luego lo aplicó durante los cuatro días siguientes sin volver a entrenarlo. A medida que la máquina se alejó de las condiciones originales, la calidad de la predicción disminuyó de forma sostenida, y hacia el quinto día algunas salidas dejaron de parecerse al espacio de fases medido. Aun así, el sistema se mantuvo razonablemente preciso durante varios días, incluso en un periodo en el que los operadores estaban cambiando deliberadamente ajustes para estudios en lugar de mantener un modo de entrega constante. Esto sugiere que, con reentrenamientos periódicos o señales de entrada más ricas, los diagnósticos virtuales podrían mantenerse fiables durante una operación prolongada.

Una nueva forma de observar los haces en tiempo real

Para un lector general, la conclusión es que los autores han demostrado que el aprendizaje automático puede “clonar” eficazmente un instrumento complejo y destructor de haz en varias grandes instalaciones, usando un marco compartido que se adapta a máquinas muy distintas. Una vez entrenado, el diagnóstico virtual se ejecuta en milisegundos, mucho más rápido y barato que simulaciones detalladas por computadora y sin interrumpir los experimentos. Puede revelar la estructura tiempo‑energía interna de los paquetes de electrones y parámetros resumen clave sobre la marcha, abriendo la puerta a sistemas de optimización y retroalimentación más inteligentes. Mirando hacia el futuro, la misma estrategia podría extenderse a otros diagnósticos, compartirse entre instalaciones mediante aprendizaje por transferencia y combinarse con métodos avanzados de selección de datos para mejorar aún más el rendimiento. En esencia, el trabajo apunta hacia aceleradores que se mantienen continuamente conscientes de su estructura interna del haz, sin tener que apartar la vista de los experimentos que sirven.

Cita: Lundquist, J., Björklund Svensson, J., Dijkstal, P. et al. Multi-facility virtual diagnostic for longitudinal phase space predictions. Sci Rep 16, 12021 (2026). https://doi.org/10.1038/s41598-026-47195-1

Palabras clave: diagnósticos virtuales, aceleradores de partículas, aprendizaje automático, láseres de electrones libres, monitoreo de haces