Виртуальная диагностика на нескольких установках для прогнозов продольного фазового пространства

Заглянуть внутрь пучков частиц, не разрушая их

Свободно-электронные лазеры и другие мощные источники рентгеновского излучения зависят от тщательно сформированных пачек электронов, несущихся близко к скорости света. Настройка таких пучков обычно требует диагностических инструментов, которые прерывают или разрушают пучок, что делает невозможным измерение во время проведения экспериментов. В этой статье исследуется, как машинное обучение может выступать в роли «виртуального прибора», позволяя операторам наблюдать внутреннюю структуру электронных пучков в реальном времени без вывода установок из эксплуатации.

Почему форма пучка важна для ярких рентгенов

В современном линейном ускорителе электроны упорядочены не просто в ряд. Каждая пачка имеет сложную внутреннюю структуру: как расположены электроны во времени внутри пачки и как варьируется их энергия. В совокупности это называется продольным фазовым пространством, и оно во многом определяет, насколько ярким и стабильным будет рентгеновский импульс. Золотой стандарт для отображения этой структуры — поперечная дефлектирующая структура: особая радиочастотная камера в сочетании с магнитами и экраном, которые растягивают пучок в двухмерное изображение. Это изображение показывает ключевые величины, такие как длина пачки и энергоразброс, но цена высока: пучок отклоняется на экран и больше не может использоваться в экспериментах, а система сложна и требует много времени для работы.

Обучение виртуального прибора «видеть» пучок

Авторы предлагают иной подход: использовать машинное обучение для обучения виртуальной диагностики, которая может предсказывать то, что показал бы разрушающий инструмент, основываясь только на неинвазивных измерениях, снимаемых постоянно. К ним относятся показания мониторов положения пучка, детекторов времени прихода пучка, трансформаторов тока и настроек радиочастоты, формирующих пучок. Подавая в искусственные нейронные сети множество парных примеров — реальные изображения фазового пространства от дефлекторов вместе с соответствующими неразрушающими сигналами — система учится связи между легко измеряемыми сигналами и скрытой внутренней структурой пучка. После обучения сеть может мгновенно восстанавливать полное изображение продольного фазового пространства без вмешательства в пучок.

Проверка идеи на трёх разных установках

Чтобы проверить, сработает ли единый рецепт повсеместно, команда применила одну и ту же общую архитектуру сети и стратегию обучения в трёх весьма разных институтах: линейном ускорителе MAX IV в Швеции и свободно-электронных лазерах FERMI и SwissFEL в Италии и Швейцарии. Каждая установка имеет свою конфигурацию, энергии пучка и схемы сжатия, а также собственные настройки дефлекторов. Исследователи систематически варьировали параметры установки, которые обычно используются для настройки формы пучка — такие как фазы радиочастоты, состояние компрессора импульсов и мощность лазерного нагревателя — и записывали тысячи разрушающих изображений вместе с сопровождающими неразрушающими сигналами. На этих наборах данных они обучали сети, которые принимают неразрушающие показания и выдают полное двумерное изображение фазового пространства.

Прогнозирование полных картин и ключевых величин

Виртуальные диагностические системы показали отличные результаты по всем четырём изученным линиям пучка (MAX IV, FERMI и две ветви SwissFEL — Athos и Aramis). По метрикам соответствия предсказанных и измеренных изображений оценки обычно превышали 90 процентов, а во многих случаях держались около 95 процентов и выше. Сети даже воспроизводили тонкие детали, такие как слабые хвосты и внутренняя субструктура распределения пучка. Авторы также создали более простые сети, которые пропускают полное изображение и вместо этого предсказывают только несколько важнейших чисел, извлечённых из него — например длину пачки, общий энергоразброс и «чирп» по энергии, описывающий изменение энергии вдоль пачки. Эти компактные модели обучаются быстрее, используют намного меньше параметров и при этом достигают погрешностей, достаточно небольших, чтобы соперничать с разрешающей способностью физического диагностического прибора на практике.

Насколько стабильны эти предсказания со временем?

Реальные ускорители дрейфуют: небольшие изменения фаз радиочастоты, калибровок магнитов или диагностик могут постепенно смещать связь между входными сигналами и структурой пучка. Чтобы проверить устойчивость, команда обучила виртуальную диагностику на MAX IV по данным одного дня, а затем применяла её в течение следующих четырёх дней без дообучения. По мере удаления установки от исходных условий качество предсказаний постепенно снижалось, и к пятому дню некоторые выходные данные перестали напоминать измеренное фазовое пространство. Тем не менее система оставалась достаточно точной в течение нескольких дней, даже в период, когда операторы сознательно меняли настройки для исследований, а не поддерживали строгий режим доставки. Это указывает на то, что при периодическом дообучении или при использовании более богатых входных сигналов виртуальные диагностики можно поддерживать надёжными в длительной эксплуатации.

Новый способ наблюдать пучки в реальном времени

Для широкого читателя суть в том, что авторы показали: машинное обучение может эффективно «клонировать» сложный разрушающий прибор на нескольких крупных установках, используя общий каркас, который адаптируется к очень разным машинам. После обучения виртуальная диагностика работает за миллисекунды, существенно быстрее и дешевле детальных компьютерных симуляций и не прерывая экспериментов. Она может в реальном времени раскрывать внутреннюю временно-энергетическую структуру электронных пачек и ключевые суммарные параметры, открывая путь к более умным системам оптимизации и обратной связи. В перспективе ту же стратегию можно расширить на другие диагностики, обмениваться моделями между установками с помощью transfer learning и сочетать с продвинутыми методами отбора данных для дальнейшего повышения качества. По сути, работа указывает на ускорители, которые постоянно сохраняют осведомлённость о своей внутренней структуре пучка, не отрываясь от обслуживаемых ими экспериментов.

Цитирование: 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

Ключевые слова: виртуальные датчики, частичные ускорители, машинное обучение, свободно-электронные лазеры, мониторинг пучка