縦方向位相空間予測のための複数施設対応バーチャル診断器

粒子ビームを壊さずにその内部をのぞく

自由電子レーザーやその他の強力なX線光源は、光速近くで飛ぶ精密に整形された電子バンチに依存しています。これらのビームを調整するには通常、ビームを中断または破壊する診断装置が必要であり、実験中に測定することはできません。本稿は、機械学習を“バーチャル計測器”として用い、装置を停止せずに電子ビームの内部構造をリアルタイムで観察できる方法を検討します。

なぜビーム形状が明るいX線にとって重要か

現代のリニア加速器では、電子は単純な列で並んでいるわけではありません。各バンチには、時間軸上で電子がどこに配置されているかやエネルギーがどのように変化しているかといった豊かな内部構造があります。これらは総じて縦方向位相空間と呼ばれ、X線パルスの明るさや安定性を大きく左右します。この構造をマップするゴールドスタンダードは横偏向構造（トランスバース・ディフレクティング・ストラクチャ）で、特殊な高周波キャビティと磁石、スクリーンでビームを2次元像に広げます。その像からバンチ長やエネルギー分散といった重要量が得られますが、代償は大きく、ビームがスクリーンに迂回され実験に使えなくなるうえ、システムの操作は複雑で時間を要します。

ビームを見えるようにするバーチャル計測器の学習

著者らは別のアプローチを提案します。常時取得できる非破壊の測定だけから、破壊的な装置が示すであろう像を予測するバーチャル診断器を機械学習で訓練するのです。非破壊測定にはビーム位置モニタ、ビーム到達時間モニタ、電流トランス、ビームを形作る高周波設定などが含まれます。偏向構造から得た実際の位相空間像と対応する非破壊信号を多数組にして人工ニューラルネットワークに与えることで、容易に測れる信号とビーム内部構造の間の関係を学習します。訓練後、ネットワークはビームに触れることなく瞬時に全縦方向位相空間像を推定できます。

三つの異なる装置での検証

一般的な手法が広く通用するかを調べるため、研究チームは同一のネットワーク設計と訓練戦略をスウェーデンのMAX IV線形加速器と、イタリアとスイスの自由電子レーザーFERMIおよびSwissFELの二つのビームラインに適用しました。各装置は配置、ビームエネルギー、圧縮方式、横偏向の設定などが異なります。研究者らは通常ビーム形状の調整に使う高周波位相、パルスコンプレッサの条件、レーザーヒータの強さといった機械設定を系統的に変え、破壊的な画像とそれに対応する非破壊信号を数千件記録しました。これらのデータセットを用いて、非破壊読み取り値を入力に取り、2次元の位相空間像を出力するネットワークを訓練しました。

全体像と主要数値の予測

バーチャル診断は、研究対象となった四つのビームライン（MAX IV、FERMI、SwissFELのAthosとAramis）すべてで非常に良好に機能しました。予測像と測定像の一致度で評価すると、スコアは通常90％を超え、多くの場合95％前後あるいはそれ以上でした。ネットワークは微妙な尾部や内部の細かいサブ構造といった細部まで再現しました。著者らは、全画像を出力する代わりに像から抽出されるいくつかの重要な数値―バンチ長、総エネルギー分散、バンチに沿ったエネルギーの変化を示す“チャープ”など―だけを予測するより簡潔なネットワークも構築しました。これらの小型モデルは訓練が速く、パラメータ数も少なく、それでも実際の物理診断器が解像できる範囲に匹敵する誤差を達成しました。

これらの予測は時間経過でどれほど安定か？

実際の加速器はドリフトします：高周波位相や磁石の較正、診断器に小さな変化が生じると、入力信号とビーム構造の関係が徐々に変わります。堅牢性を試すため、チームはMAX IVである日のデータだけを使ってバーチャル診断を訓練し、その後の4日間にわたって再訓練せずに適用しました。機械が元の条件から離れるにつれて予測精度は徐々に低下し、5日目には一部の出力が測定された位相空間と似なくなりました。それでも、そのシステムは数日間は妥当な精度を保ち、運用者が安定供給モードを維持するのではなく意図的に設定を変えていた期間でも一定の性能を示しました。これは、定期的な再訓練や入力信号の拡充により、バーチャル診断を長期運用で信頼できる状態に保てることを示唆しています。

リアルタイムでビームを監視する新しい方法

一般向けに言えば、著者らは機械学習が複雑でビームを破壊する計測器を複数の大規模施設で効果的に“複製”できることを示しました。共通の枠組みは非常に異なる装置間でも適応します。いったん訓練されれば、バーチャル診断はミリ秒単位で動作し、詳細な計算機シミュレーションよりもはるかに高速かつ安価で、実験を中断することもありません。電子バンチの時間—エネルギーの内部構造や主要な要約パラメータをオンザフライで明らかにでき、より賢い最適化やフィードバックシステムの実現を促します。将来的には同じ手法を他の診断にも拡張し、転移学習で施設間を共有し、先進的なデータ選択法と組み合わせて性能をさらに高めることが期待されます。本質的に、この研究は実験を止めることなく内部ビーム構造を継続的に把握できる自己認識型加速器への道を示しています。

引用: 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

キーワード: バーチャル診断, 粒子加速器, 機械学習, 自由電子レーザー, ビーム監視