Diagnóstico virtual multi-instalação para previsões do espaço de fase longitudinal

Olhar dentro de feixes de partículas sem destruí-los

Lasers de elétrons livres e outras fontes poderosas de raios X dependem de feixes de elétrons moldados com precisão que correm próximos à velocidade da luz. Ajustar esses feixes normalmente exige instrumentos de diagnóstico que interrompem ou destroem o feixe, tornando impossível medi-lo enquanto os experimentos estão em andamento. Este artigo explora como o aprendizado de máquina pode atuar como um “instrumento virtual”, permitindo que operadores observem a estrutura interna dos feixes de elétrons em tempo real sem tirar as máquinas do ar.

Por que a forma do feixe importa para raios X brilhantes

Em um acelerador linear moderno, os elétrons não estão apenas enfileirados de maneira simples. Cada pacote tem uma estrutura interna complexa: onde os elétrons se situam no tempo ao longo do pacote e como suas energias variam. Juntos, isso é chamado de espaço de fase longitudinal, e determina em grande parte quão brilhante e estável será um pulso de raios X. A ferramenta padrão-ouro para mapear essa estrutura é uma estrutura defletora transversal — uma cavidade de rádio-frequência especial mais ímãs e uma tela que espalham o feixe em uma imagem bidimensional. Essa imagem revela quantidades-chave como comprimento do pacote e espalhamento de energia, mas o custo é alto: o feixe é direcionado para uma tela e não pode mais ser usado para experimentos, e o sistema é complexo e demorado de operar.

Ensinando um instrumento virtual a ver o feixe

Os autores propõem uma abordagem diferente: usar aprendizado de máquina para treinar um diagnóstico virtual que possa prever o que o instrumento destrutivo teria mostrado, com base apenas em medições não invasivas feitas o tempo todo. Isso inclui leituras de monitores de posição do feixe, monitores de tempo de chegada do feixe, transformadores de corrente e configurações de rádio-frequência que moldam o feixe. Alimentando muitas amostras emparelhadas — imagens reais do espaço de fase provenientes das estruturas defletoras junto com suas leituras não destrutivas correspondentes — em redes neurais artificiais, o sistema aprende a ligação entre sinais fáceis de medir e a estrutura interna oculta do feixe. Uma vez treinada, a rede pode inferir instantaneamente a imagem completa do espaço de fase longitudinal sem tocar no feixe.

Testando a ideia em três máquinas diferentes

Para verificar se uma receita geral funcionaria amplamente, a equipe aplicou o mesmo desenho de rede e estratégia de treinamento em três instalações muito diferentes: o acelerador linear MAX IV na Suécia e os lasers de elétrons livres FERMI e SwissFEL na Itália e na Suíça. Cada máquina tem sua própria disposição, energias do feixe e esquemas de compressão, e seus próprios arranjos defletores transversais. Os pesquisadores variaram sistematicamente configurações da máquina que normalmente são usadas para ajustar a forma do feixe — como fases de rádio-frequência, condições do compressor de pulsos e intensidade do aquecedor a laser — e registraram milhares de imagens destrutivas juntamente com os sinais não destrutivos correspondentes. Usando esses conjuntos de dados, eles treinaram redes que recebem as leituras não destrutivas e produzem uma imagem bidimensional completa do espaço de fase.

Prevendo imagens completas e números-chave

Os diagnósticos virtuais tiveram desempenho notável em todas as quatro linhas de feixe estudadas (MAX IV, FERMI e os dois ramos do SwissFEL, Athos e Aramis). Quando avaliados pela proximidade entre as imagens previstas e as medidas, as pontuações tipicamente ultrapassaram 90%, e em muitos casos ficaram ao redor de 95% ou mais. As redes até reproduziram detalhes finos, como caudas sutis e subestruturas internas na distribuição do feixe. Os autores também construíram redes mais simples que dispensam a imagem completa e, em vez disso, preveem apenas alguns números vitais extraídos dela — como comprimento do pacote, espalhamento total de energia e “chirp” de energia, que descreve como a energia varia ao longo do pacote. Esses modelos compactos treinaram mais rápido, usaram muito menos parâmetros e ainda alcançaram erros pequenos o suficiente para rivalizar ou superar o que o diagnóstico físico consegue resolver na prática.

Quão estáveis são essas previsões ao longo do tempo?

Aceleradores reais derivam: pequenas mudanças em fases de rádio-frequência, calibrações de ímãs ou diagnósticos podem deslocar gradualmente a relação entre entradas e estrutura do feixe. Para testar a robustez, a equipe treinou um diagnóstico virtual no MAX IV usando dados de um único dia e depois o aplicou nos quatro dias seguintes sem retreinamento. Conforme a máquina se afastava das condições originais, a qualidade da previsão caiu de forma contínua, e no quinto dia algumas saídas já não mais se assemelhavam ao espaço de fase medido. Ainda assim, o sistema permaneceu razoavelmente preciso por vários dias, mesmo durante um período em que os operadores estavam deliberadamente mudando configurações para estudos em vez de manter um modo de entrega estável. Isso sugere que, com retreinamentos periódicos ou sinais de entrada mais ricos, diagnósticos virtuais poderiam ser mantidos confiáveis durante operações estendidas.

Uma nova maneira de observar feixes em tempo real

Para o leitor geral, a conclusão é que os autores demonstraram que o aprendizado de máquina pode efetivamente “clonar” um instrumento complexo e destrutivo em múltiplas grandes instalações, usando uma estrutura compartilhada que se adapta a máquinas muito diferentes. Uma vez treinado, o diagnóstico virtual roda em milissegundos, muito mais rápido e barato que simulações detalhadas por computador e sem interromper experimentos. Ele pode revelar a estrutura tempo–energia interna dos pacotes de elétrons e parâmetros resumidos importantes instantaneamente, abrindo caminho para sistemas de otimização e feedback mais inteligentes. Olhando adiante, a mesma estratégia poderia ser estendida a outros diagnósticos, compartilhada entre instalações por meio de aprendizado por transferência e combinada com métodos avançados de seleção de dados para melhorar ainda mais o desempenho. Em essência, o trabalho aponta para aceleradores que são continuamente autoconscientes de sua estrutura interna de feixe, sem nunca precisarem desviar o olhar dos experimentos que servem.

Citação: 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

Palavras-chave: diagnósticos virtuais, aceleradores de partículas, aprendizado de máquina, lasers de elétrons livres, monitoramento de feixe