Virtuell diagnostik för flera anläggningar för prognoser av longitudinellt fasutrymme

Att titta in i partikelstrålar utan att förstöra dem

Fri-elektronlasrar och andra kraftfulla röntgenkällor förlitar sig på noggrant formade elektronstrålar som rör sig nära ljusets hastighet. Att ställa in dessa strålar kräver vanligtvis diagnostiska verktyg som avbryter eller förstör strålen, vilket gör det omöjligt att mäta medan experiment pågår. I denna artikel undersöks hur maskininlärning kan fungera som ett ”virtuellt instrument” och låta operatörer observera den inre strukturen hos elektronstrålar i realtid utan att ta maskinerna ur drift.

Varför strålformen påverkar ljusstyrkan hos röntgen

I en modern linjäraccelerator är elektronerna inte bara i en enkel kö. Varje paket har en rik inre struktur: var elektronerna befinner sig i tid längs paketet och hur deras energier varierar. Tillsammans kallas detta det longitudinella fasutrymmet, och det bestämmer i stor utsträckning hur stark och stabil en röntgenpuls blir. Standardverktyget för att kartlägga denna struktur är en tvärdeflekterande struktur—en särskild radiofrekvenskavitet tillsammans med magneter och en skärm som sprider strålen till en tvådimensionell bild. Den bilden avslöjar nyckelstorheter som paketlängd och energispridning, men priset är högt: strålen avleds till en skärm och kan inte längre användas för experiment, och systemet är komplext och tidskrävande att använda.

Att lära ett virtuellt instrument att se strålen

Författarna föreslår en annan metod: använda maskininlärning för att träna en virtuell diagnostik som kan förutsäga vad det destruktiva instrumentet skulle ha visat, baserat endast på icke-invasiva mätningar som görs hela tiden. Dessa inkluderar avläsningar från positionsmonitorer för strålen, tidregistreringsmonitorer, strömtransformatorer och radiofrekvensinställningar som formar strålen. Genom att mata in många parade exempel—verkliga fasutrymmesbilder från de deflekterande strukturerna tillsammans med deras motsvarande icke-destruktiva mätvärden—i artificiella neurala nätverk lär sig systemet kopplingen mellan lätt uppmätta signaler och strålens dolda inre struktur. När nätverket väl är tränat kan det omedelbart härleda hela bilden av det longitudinella fasutrymmet utan att vidröra strålen.

Testa idén vid tre olika anläggningar

För att undersöka om en generell metod skulle fungera brett, tillämpade teamet samma övergripande nätverksdesign och träningsstrategi vid tre mycket olika anläggningar: MAX IV-linjära acceleratorn i Sverige samt fri-elektronlasrarna FERMI och SwissFEL i Italien respektive Schweiz. Varje maskin har sin egen layout, sina partikelenergier och komprimeringsscheman, samt sina egna uppsättningar av tvärdeflekterare. Forskarna varierade systematiskt maskininställningar som normalt används för att ställa in strålformen—såsom radiofrekvensfaser, konditioner i pulskompressorer och styrkan på laserheatern—och registrerade tusentals destruktiva bilder tillsammans med tillhörande icke-destruktiva signaler. Med dessa datamängder tränade de nätverk som tar in de icke-destruktiva avläsningarna och ger ut en full tvådimensionell fasutrymmesbild.

Att förutsäga fullständiga bilder och viktiga parametrar

De virtuella diagnostikerna presterade anmärkningsvärt bra över alla fyra studerade strålgångar (MAX IV, FERMI och de två SwissFEL-brancherna Athos och Aramis). Mätt efter hur väl de förutsagda och uppmätta bilderna överensstämde, låg poängen vanligtvis över 90 procent, och i många fall runt 95 procent eller bättre. Nätverken återgav till och med fina detaljer, såsom subtila svansar och interna substrukturer i strålfördelningen. Författarna byggde också enklare nätverk som hoppar över hela bilden och istället förutsäger några få centrala tal som extraherats från den—som paketlängd, total energispridning och energi-“chirp”, vilket beskriver hur energi förändras längs paketet. Dessa kompakta modeller tränade snabbare, använde långt färre parametrar och nådde ändå felnivåer små nog att matcha eller överträffa vad den fysiska diagnostiken kan upplösa i praktiken.

Hur stabila är dessa förutsägelser över tid?

Verkliga acceleratorer driver: små förändringar i radiofrekvensfaser, magnetkalibreringar eller diagnostik kan gradvis ändra sambandet mellan indata och strålstruktur. För att testa robustheten tränade teamet en virtuell diagnostik vid MAX IV med data från en enda dag och tillämpade den sedan under de följande fyra dagarna utan omträning. När maskinen avvek från de ursprungliga förhållandena sjönk förutsägelsekvaliteten stadigt, och på den femte dagen liknade vissa utdata inte längre den uppmätta fasutrymmet. Ändå förblev systemet rimligt noggrant under flera dagar, även under en period då operatörerna avsiktligt ändrade inställningar för studier snarare än att upprätthålla ett stabilt leveransläge. Detta tyder på att med periodisk omträning eller rikare indata kan virtuella diagnostiker hållas pålitliga under utökad drift.

Ett nytt sätt att övervaka strålar i realtid

För en allmän läsare är slutsatsen att författarna har visat att maskininlärning effektivt kan ”klona” ett komplext, strål-förstörande instrument vid flera stora anläggningar, med ett gemensamt ramverk som anpassar sig till mycket olika maskiner. När det väl är tränat kör den virtuella diagnostiken på millisekunder—mycket snabbare och billigare än detaljerade datorsimuleringar och utan att störa experiment. Den kan på direkten avslöja elektronstrålarnas tid–energi-struktur och viktiga sammanfattande parametrar, vilket öppnar dörren för smartare optimering och feedbacksystem. Framöver kan samma strategi utvidgas till andra diagnostiker, delas mellan anläggningar genom transferinlärning och kombineras med avancerade urvalsmetoder för att ytterligare förbättra prestandan. I kärnan pekar arbetet mot acceleratorer som kontinuerligt är medvetna om sin interna strålstruktur utan att någonsin behöva ta blicken från de experiment de tjänar.

Citering: 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

Nyckelord: virtuella diagnostikverktyg, partikelacceleratorer, maskininlärning, fri-elektronlasrar, strålövervakning