Wielooddziałowy wirtualny diagnostyk do przewidywań podłużnej przestrzeni fazowej

Zajrzeć w wiązki cząstek, nie niszcząc ich

Lasery swobodne elektronów i inne silne źródła promieniowania rentgenowskiego polegają na precyzyjnie ukształtowanych pakietach elektronów pędzących z prędkościami zbliżonymi do światła. Strojenie tych wiązek zwykle wymaga narzędzi diagnostycznych, które przerywają lub niszczą wiązkę, co uniemożliwia pomiar podczas prowadzenia eksperymentów. W artykule tym badano, jak uczenie maszynowe może pełnić rolę „wirtualnego przyrządu”, pozwalając operatorom obserwować wewnętrzną strukturę pakietów elektronów w czasie rzeczywistym bez wyłączania urządzeń.

Dlaczego kształt wiązki ma znaczenie dla jasnych promieni rentgenowskich

W nowoczesnym akceleratorze liniowym elektrony nie ustawiają się jedynie w prostą kolejkę. Każdy pakiet ma złożoną strukturę wewnętrzną: gdzie elektrony znajdują się w czasie wzdłuż pakietu oraz jak zmieniają się ich energie. To razem nazywa się podłużną przestrzenią fazową i w dużej mierze decyduje o jasności i stabilności impulsu rentgenowskiego. Złotym standardem do odwzorowania tej struktury jest poprzeczna struktura deflektująca — specjalna komora o częstotliwości radiowej wraz z magnesami i ekranem, która rozkłada wiązkę na obraz dwuwymiarowy. Ten obraz ujawnia kluczowe wielkości, takie jak długość pakietu i rozrzut energii, ale koszt jest wysoki: wiązka zostaje skierowana na ekran i nie może być używana do eksperymentów, a system jest złożony i czasochłonny w obsłudze.

Nauczyć wirtualny przyrząd widzieć wiązkę

Autorzy proponują inne podejście: wykorzystać uczenie maszynowe do wytrenowania wirtualnego diagnostyka, który potrafi przewidzieć, co pokazałby instrument destrukcyjny, bazując wyłącznie na nieinwazyjnych pomiarach wykonywanych cały czas. Należą do nich odczyty z monitorów pozycji wiązki, monitorów czasu przybycia wiązki, transformatorów prądu oraz ustawień radiowych kształtujących wiązkę. Podając sieciom neuronowym wiele sparowanych przykładów — rzeczywiste obrazy przestrzeni fazowej z urządzeń deflektujących wraz z odpowiadającymi im odczytami nieinwazyjnymi — system uczy się powiązania między łatwo mierzalnymi sygnałami a ukrytą strukturą wewnętrzną wiązki. Po treningu sieć może natychmiast uzyskać pełny obraz podłużnej przestrzeni fazowej bez ingerencji w wiązkę.

Testowanie pomysłu w trzech różnych maszynach

Aby sprawdzić, czy jeden ogólny przepis zadziała szeroko, zespół zastosował ten sam ogólny projekt sieci i strategię treningową w trzech bardzo różnych ośrodkach: akceleratorze liniowym MAX IV w Szwecji oraz laserach FERMI i SwissFEL we Włoszech i w Szwajcarii. Każda maszyna ma własne rozmieszczenie, energie wiązki i schematy kompresji oraz własne układy deflektujące. Badacze systematycznie zmieniali ustawienia maszyny używane zwykle do strojenia kształtu wiązki — takie jak fazy radiowe, warunki kompresora impulsów i siła podgrzewacza laserowego — i rejestrowali tysiące destrukcyjnych obrazów wraz z towarzyszącymi sygnałami nieinwazyjnymi. Wykorzystując te zbiory danych, trenowali sieci, które przyjmują odczyty nieinwazyjne i generują pełny dwuwymiarowy obraz przestrzeni fazowej.

Przewidywanie pełnych obrazów i kluczowych liczb

Wirtualne diagnostyki działały nadzwyczaj dobrze we wszystkich badanych liniach wiązkowych (MAX IV, FERMI oraz dwóch gałęziach SwissFEL — Athos i Aramis). Oceniane pod kątem zgodności przewidywanych i zmierzonych obrazów, wyniki typowo przekraczały 90 procent, a w wielu przypadkach oscylowały wokół 95 procent lub lepiej. Sieci odtwarzały nawet drobne detale, takie jak subtelne ogony i wewnętrzne podstruktury w rozkładzie wiązki. Autorzy zbudowali też prostsze sieci, które pomijają pełny obraz i zamiast tego przewidują tylko kilka istotnych liczb wyekstrahowanych z obrazu — na przykład długość pakietu, całkowity rozrzut energii oraz „chirp” energii, opisujący, jak energia zmienia się wzdłuż pakietu. Te kompaktowe modele trenowały się szybciej, używały znacznie mniej parametrów i wciąż osiągały błędy na tyle małe, że rywalizowały lub przewyższały rozdzielczość praktyczną diagnostyki fizycznej.

Jak stabilne są te przewidywania w czasie?

Rzeczywiste akceleratory dryfują: drobne zmiany faz radiowych, kalibracji magnesów czy diagnostyki mogą stopniowo przesuwać zależność między wejściami a strukturą wiązki. Aby przetestować odporność, zespół wytrenował wirtualny diagnostyk w MAX IV na danych z jednego dnia, a następnie stosował go przez kolejne cztery dni bez ponownego treningu. W miarę jak maszyna oddalała się od warunków wyjściowych, jakość przewidywań stopniowo spadała, i po piątym dniu niektóre wyniki przestały przypominać zmierzoną przestrzeń fazową. Jednak system pozostawał rozsądnie dokładny przez kilka dni, nawet w okresie, gdy operatorzy celowo zmieniali ustawienia do badań zamiast utrzymywać stały tryb dostarczania. To sugeruje, że przy okresowym retreningu lub bogatszych sygnałach wejściowych wirtualne diagnostyki można utrzymać jako wiarygodne podczas dłuższej pracy.

Nowy sposób obserwowania wiązek w czasie rzeczywistym

Dla czytelnika ogólnego wniosek jest taki, że autorzy pokazali, iż uczenie maszynowe potrafi skutecznie „sklonować” złożony instrument niszczący wiązkę w wielu dużych ośrodkach, korzystając ze wspólnego frameworku, który dostosowuje się do bardzo różnych maszyn. Po wytrenowaniu wirtualny diagnostyk działa w milisekundach, znacznie szybciej i taniej niż szczegółowe symulacje komputerowe i bez przerywania eksperymentów. Może ujawniać wewnętrzną strukturę czas‑energia pakietów elektronów oraz kluczowe parametry podsumowujące w locie, otwierając drzwi do inteligentniejszej optymalizacji i systemów sprzężenia zwrotnego. W przyszłości ta sama strategia może być rozszerzona na inne diagnostyki, współdzielona między placówkami przez uczenie transferowe i łączona z zaawansowanymi metodami selekcji danych w celu dalszej poprawy wydajności. W istocie praca ta wskazuje drogę ku akceleratorom, które są ciągle świadome swojej wewnętrznej struktury wiązki, bez konieczności „odwracania wzroku” od eksperymentów, które obsługują.

Cytowanie: 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

Słowa kluczowe: wirtualne diagnostyki, akceleratory cząstek, uczenie maszynowe, lasery swobodne elektronów, monitorowanie wiązki