Virtuele meervoudige faciliteitdiagnostiek voor voorspellingen van de longitudinale fase‑ruimte

In de deeltjesbundel kijken zonder haar te verstoren

Vrije‑elektronenlasers en andere krachtige röntgenbronnen vertrouwen op uiterst zorgvuldig gevormde bundels elektronen die bijna met de lichtsnelheid bewegen. Het afstemmen van die bundels vereist doorgaans diagnostische instrumenten die de bundel onderbreken of vernietigen, waardoor metingen tijdens lopende experimenten onmogelijk zijn. Dit artikel onderzoekt hoe machine learning kan optreden als een “virtueel instrument”, zodat operators de interne structuur van elektronenbundels in realtime kunnen volgen zonder de apparatuur offline te halen.

Waarom de bundelvorm belangrijk is voor felle röntgenstraling

In een moderne lineaire versneller staan de elektronen niet simpelweg in een rij. Elke bundel heeft een rijke interne structuur: waar de elektronen zich in de tijd bevinden binnen de bundel en hoe hun energie varieert. Samen noemt men dit de longitudinale fase‑ruimte, en die bepaalt grotendeels hoe fel en stabiel een röntgenpuls zal zijn. Het gouden standaardinstrument om deze structuur in kaart te brengen is een transversale deflectiestructuur—een speciale radiofrequentiekamer met magneten en een scherm die de bundel spreiden tot een tweedimensionaal beeld. Dat beeld onthult belangrijke grootheden zoals bundellengte en energiespreiding, maar de prijs is hoog: de bundel wordt naar een scherm geleid en kan niet langer voor experimenten worden gebruikt, en het systeem is complex en tijdrovend in gebruik.

Een virtueel instrument leren de bundel te zien

De auteurs stellen een andere benadering voor: gebruik machine learning om een virtuele diagnostiek te trainen die kan voorspellen wat het destructieve instrument zou hebben getoond, uitsluitend op basis van niet‑invasieve metingen die continu beschikbaar zijn. Deze omvatten lezingen van bundelpositie‑monitors, bundelaankomsttijd‑monitors, stroomtransformatoren en radiofrequentie‑instellingen die de bundel vormen. Door vele gekoppelde voorbeelden te voeden—echte fase‑ruimtebeelden van de deflectiestructuren samen met de bijbehorende niet‑destructieve signalen—leren kunstmatige neurale netwerken de relatie tussen gemakkelijk meetbare signalen en de verborgen interne structuur van de bundel. Eenmaal getraind kan het netwerk direct de volledige longitudinale fase‑ruimte afleiden zonder de bundel aan te raken.

Het idee testen op drie verschillende machines

Om te zien of één algemene aanpak breed toepasbaar is, paste het team hetzelfde netwerkontwerp en dezelfde trainingsstrategie toe op drie zeer verschillende faciliteiten: de lineaire versneller van MAX IV in Zweden en de vrije‑elektronenlasers FERMI en SwissFEL in respectievelijk Italië en Zwitserland. Elke machine heeft zijn eigen opstelling, bundelenergieën en compressieschema’s, en zijn eigen transversale deflectiesystemen. De onderzoekers varieerden systematisch machine‑instellingen die normaal worden gebruikt om de bundelvorm af te stemmen—zoals radiofrequentiefases, condities van pulscompressoren en de sterkte van de laser‑heater—en namen duizenden destructieve beelden op samen met de bijbehorende niet‑destructieve signalen. Met deze datasets trainden ze netwerken die de niet‑destructieve lezingen als input nemen en een volledig tweedimensionaal fase‑ruimtebeeld als output geven.

Volledige beelden en belangrijke cijfers voorspellen

De virtuele diagnostiek presteerde opmerkelijk goed over alle vier onderzochte baantakken (MAX IV, FERMI en de twee SwissFEL‑takken Athos en Aramis). Gezien de mate van overeenstemming tussen voorspelde en gemeten beelden, lagen de scores doorgaans boven de 90 procent en in veel gevallen rond de 95 procent of hoger. De netwerken reproduceerden zelfs fijne details, zoals subtiele staarten en interne substructuren in de bundelverdeling. De auteurs bouwden ook eenvoudiger netwerken die het volledige beeld overslaan en in plaats daarvan slechts een paar cruciale getallen uit het beeld voorspellen—zoals bundellengte, totale energiespreiding en energie‑‘chirp’, die beschrijft hoe de energie langs de bundel verandert. Deze compacte modellen trainden sneller, gebruikten veel minder parameters en bereikten toch fouten klein genoeg om praktisch te kunnen concurreren met of beter te zijn dan wat de fysieke diagnostiek kan onderscheiden.

Hoe stabiel zijn deze voorspellingen in de tijd?

Echte versnellers veranderen: kleine verschuivingen in radiofrequentiefases, magnetkalibraties of diagnostische instrumenten kunnen geleidelijk de relatie tussen inputs en bundelstructuur verschuiven. Om de robuustheid te toetsen trainde het team een virtuele diagnostiek bij MAX IV met data van één dag en paste die vervolgens toe gedurende de vier volgende dagen zonder bijscholing. Naarmate de machine afweek van de oorspronkelijke condities, nam de voorspellingskwaliteit gestaag af en tegen de vijfde dag leken sommige outputs niet langer op de gemeten fase‑ruimte. Toch bleef het systeem meerdere dagen redelijk accuraat, zelfs tijdens een periode waarin operators opzettelijk instellingen veranderden voor studies in plaats van een stabiele leveringsmodus te handhaven. Dit suggereert dat virtuele diagnostiek met periodieke bijscholing of rijkere invoersignalen betrouwbaar kan blijven gedurende langere bedrijfsperioden.

Een nieuwe manier om bundels in realtime te observeren

Voor een algemeen publiek is de kernboodschap dat de auteurs hebben aangetoond dat machine learning effectief een complex, bundelvernietigend instrument kan ‘klonen’ bij meerdere grote faciliteiten, gebruikmakend van een gedeeld raamwerk dat zich aanpast aan zeer verschillende machines. Eenmaal getraind draait de virtuele diagnostiek in milliseconden, veel sneller en goedkoper dan gedetailleerde computersimulaties en zonder experimenten te onderbreken. Het kan de interne tijd‑energiestructuur van elektronenbundels en belangrijke samenvattende parameters direct onthullen, wat de deur opent naar slimere optimalisatie‑ en feedbacksystemen. Vooruitkijkend kan dezelfde strategie worden uitgebreid naar andere diagnostieken, gedeeld tussen faciliteiten via transfer learning en gecombineerd met geavanceerde dataselectiemethoden om de prestaties verder te verbeteren. In wezen wijst het werk naar versnellers die continu zelfbewust zijn van hun interne bundelstructuur, zonder ooit weg te hoeven kijken van de experimenten die ze bedienen.

Bronvermelding: 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

Trefwoorden: virtuele diagnostiek, deeltjesversnellers, machine learning, vrije-elektronenlasers, bundelbewaking