Diagnostic virtuel multi-installations pour prédictions de l'espace des phases longitudinal

Regarder à l'intérieur des faisceaux de particules sans les abîmer

Les lasers à électrons libres et autres sources puissantes de rayons X reposent sur des paquets d’électrons finement façonnés qui filent à une vitesse proche de celle de la lumière. Le réglage de ces faisceaux requiert normalement des instruments de diagnostic qui interrompent ou détruisent le faisceau, rendant impossible la mesure pendant le déroulement des expériences. Cet article explore comment l’apprentissage automatique peut jouer le rôle d’« instrument virtuel », permettant aux opérateurs de surveiller la structure interne des paquets d’électrons en temps réel sans mettre les machines hors service.

Pourquoi la forme du faisceau compte pour des rayons X brillants

Dans un accélérateur linéaire moderne, les électrons ne sont pas simplement alignés en file indifférente. Chaque paquet présente une structure interne complexe : la position des électrons en temps le long du paquet et la façon dont leurs énergies varient. Ensemble, cela forme l’espace des phases longitudinal, qui détermine en grande partie la brillance et la stabilité d’une impulsion X. L’outil de référence pour cartographier cette structure est une structure de déviation transversale — une cavité radiofréquence spéciale, complétée par des aimants et un écran qui étalent le faisceau en une image bidimensionnelle. Cette image révèle des grandeurs clés comme la longueur du paquet et la dispersion en énergie, mais le coût est élevé : le faisceau est détourné vers un écran et ne peut plus servir aux expériences, et le système est complexe et long à utiliser.

Apprendre à un instrument virtuel à voir le faisceau

Les auteurs proposent une approche différente : utiliser l’apprentissage automatique pour entraîner un diagnostic virtuel capable de prédire ce que montrerait l’instrument destructif, uniquement à partir de mesures non invasives prises en continu. Celles-ci incluent les relevés des moniteurs de position du faisceau, des moniteurs d’arrivée du faisceau, des transformateurs de courant et des réglages radiofréquence qui façonnent le faisceau. En alimentant des réseaux de neurones artificiels avec de nombreux exemples appariés — images réelles de l’espace des phases issues des structures de déviation et les mesures non destructives correspondantes — le système apprend le lien entre signaux faciles à mesurer et structure interne cachée du faisceau. Une fois entraîné, le réseau peut déduire instantanément l’image complète de l’espace des phases longitudinal sans toucher au faisceau.

Tester l’idée sur trois machines différentes

Pour vérifier si une même recette générale fonctionnerait de façon large, l’équipe a appliqué le même design de réseau global et la même stratégie d’entraînement sur trois installations très différentes : l’accélérateur linéaire MAX IV en Suède et les lasers à électrons libres FERMI et SwissFEL en Italie et en Suisse. Chaque machine a sa propre configuration, ses énergies de faisceau et ses schémas de compression, ainsi que ses dispositifs de déviation transversale. Les chercheurs ont fait varier de manière systématique les réglages normalement utilisés pour ajuster la forme du faisceau — comme les phases radiofréquence, les conditions des compresseurs d’impulsion et l’intensité du chauffage laser — et ont enregistré des milliers d’images destructives accompagnées des signaux non destructifs correspondants. À partir de ces jeux de données, ils ont entraîné des réseaux qui prennent en entrée les lectures non destructives et produisent en sortie une image bidimensionnelle complète de l’espace des phases.

Prédire des images complètes et des nombres clés

Les diagnostics virtuels ont donné d’excellents résultats sur les quatre lignes étudiées (MAX IV, FERMI et les deux branches de SwissFEL, Athos et Aramis). Jugées sur la proximité entre images prédites et mesurées, les performances dépassaient généralement 90 %, et dans de nombreux cas avoisinaient 95 % ou plus. Les réseaux ont même reproduit des détails fins, comme des queues subtiles et des sous-structures internes dans la distribution du faisceau. Les auteurs ont aussi construit des réseaux plus simples qui évitent l’image complète et prédisent uniquement quelques grandeurs vitales extraites de celle-ci — longueur du paquet, dispersion énergétique totale et « chirp » énergétique, qui décrit la variation d’énergie le long du paquet. Ces modèles compacts s’entraînent plus vite, utilisent beaucoup moins de paramètres et atteignent tout de même des erreurs suffisamment faibles pour rivaliser ou surpasser la résolution pratique du diagnostic physique.

Quelle stabilité de ces prédictions dans le temps ?

Les accélérateurs réels dérivent : de petits changements des phases radiofréquence, des calibrations des aimants ou des diagnostics peuvent faire évoluer progressivement la relation entre entrées et structure du faisceau. Pour tester la robustesse, l’équipe a entraîné un diagnostic virtuel à MAX IV avec des données d’une seule journée, puis l’a utilisé pendant les quatre jours suivants sans réentraînement. À mesure que la machine s’éloignait des conditions initiales, la qualité des prédictions a décliné de façon régulière, et au cinquième jour certaines sorties ne ressemblaient plus à l’espace des phases mesuré. Néanmoins, le système est resté raisonnablement précis pendant plusieurs jours, y compris durant une période où les opérateurs modifiaient délibérément les réglages pour des études plutôt que de maintenir un mode de délivrance stable. Cela suggère qu’avec un réentraînement périodique ou des signaux d’entrée enrichis, les diagnostics virtuels pourraient rester fiables sur de longues périodes d’exploitation.

Une nouvelle manière d’observer les faisceaux en temps réel

Pour un lecteur général, la conclusion est que les auteurs ont démontré que l’apprentissage automatique peut « cloner » efficacement un instrument complexe et destructeur du faisceau dans plusieurs grands établissements, en s’appuyant sur un cadre partagé qui s’adapte à des machines très différentes. Une fois entraîné, le diagnostic virtuel s’exécute en quelques millisecondes, bien plus rapide et moins coûteux que des simulations informatiques détaillées et sans interrompre les expériences. Il peut révéler la structure temps–énergie interne des paquets d’électrons et fournir à la volée des paramètres de synthèse clés, ouvrant la voie à des systèmes d’optimisation et de rétroaction plus intelligents. À l’avenir, la même stratégie pourrait être étendue à d’autres diagnostics, partagée entre installations via l’apprentissage par transfert et combinée à des méthodes avancées de sélection de données pour améliorer encore les performances. En substance, ce travail ouvre la perspective d’accélérateurs continuellement conscients de leur structure interne de faisceau, sans jamais devoir se détourner des expériences qu’ils servent.

Citation: 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

Mots-clés: diagnostiques virtuels, accélérateurs de particules, apprentissage automatique, lasers à électrons libres, surveillance du faisceau