用于纵向相空间预测的多设施虚拟诊断

在不破坏粒子束的情况下窥见其内部

自由电子激光和其他强大的X射线光源依赖于以接近光速运动的精细成形电子束。调整这些束流通常需要会中断或破坏束流的诊断工具，因此在实验运行时无法进行测量。本文探讨了机器学习如何充当“虚拟仪器”，使操作人员能够实时观察电子束的内部结构，而无需让设备脱机。

束流形状为何影响高亮度X射线

在现代线性加速器中，电子并非简单地排成一列。每个束团都有丰富的内部结构：电子在束团中随时间的位置以及它们的能量分布。这些合在一起称为纵向相空间，它在很大程度上决定了X射线脉冲的亮度和稳定性。映射这种结构的金标准工具是横向偏转结构——一种特殊的射频腔再加上磁铁和屏幕，将束流展开成二维图像。该图像能揭示关键量，如束团长度和能量展宽，但代价高昂：束流被引导到屏幕上，无法用于实验，而且该系统复杂且操作耗时。

教一个虚拟仪器“看见”束流

作者提出了不同的方法：使用机器学习训练一个虚拟诊断器，它仅基于持续采集的非侵入性测量值来预测破坏性仪器本会显示的结果。这些输入包括束位监测器、束到达时间监测器、电流变压器以及用于塑形的射频设置等读数。通过向人工神经网络提供大量配对样本——来自偏转结构的真实相空间图像及其对应的非破坏性读数——系统学习到易测信号与束流隐藏内部结构之间的联系。训练完成后，网络可以在不接触束流的情况下即时推断出完整的纵向相空间图像。

在三台不同装置上检验该想法

为了检验一种通用方案是否能广泛适用，研究团队在三家非常不同的设施上采用了相同的整体网络设计和训练策略：瑞典的MAX IV直线加速器，以及意大利和瑞士的FERMI和SwissFEL自由电子激光器。每台机器都有其独特的布局、能量和压缩方案，以及各自的横向偏转装置。研究人员系统地改变了通常用于调节束流形状的设备设置——例如射频相位、脉冲压缩器条件和激光加热器强度——并记录了成千上万张破坏性图像及其相应的非破坏性信号。利用这些数据集，他们训练出以非破坏性读数为输入并输出完整二维相空间图像的网络。

预测完整图像与关键参数

虚拟诊断在所研究的四条光束线（MAX IV、FERMI 以及两个SwissFEL分支Athos和Aramis）上表现出色。当按预测图像与测量图像的匹配程度评判时，得分通常超过90%，在许多情况下接近或超过95%。网络甚至重现了精细细节，如束分布中的微弱尾部和内部亚结构。作者还构建了更简单的网络，这些网络跳过完整图像而只预测从图像中提取的几个重要数字——例如束团长度、总能量展宽和描述能量沿束团变化的“啁啾”。这些紧凑模型训练更快、参数更少，误差仍然小到可以与物理诊断在实践中的分辨能力相媲美或更优。

这些预测随时间的稳定性如何？

真实加速器会漂移：射频相位、磁铁标定或诊断仪器的微小变化会逐渐改变输入与束流结构之间的关系。为测试鲁棒性，团队在MAX IV用某一天的数据训练了一个虚拟诊断器，然后在接下来的四天内未重新训练地应用它。随着机器偏离原始条件，预测质量稳步下降，到第五天有些输出不再与测量到的相空间相似。然而，即使在操作人员出于研究而故意改变设置、而非维持稳态输运的期间，系统仍在几天内保持了相当准确。这表明通过定期再训练或引入更丰富的输入信号，虚拟诊断有望在长时间运行中保持可靠。

一种实时监视束流的新方式

对普通读者来说，结论是作者们展示了机器学习可以在多家大型设施上有效“克隆”复杂的破坏性仪器，采用一个可在不同机器间自适应的共享框架。训练完成后，虚拟诊断以毫秒级运行，远比详细的计算机模拟更快、更便宜，并且不会中断实验。它可以实时揭示电子束团的时间—能量内部结构以及关键汇总参数，为更智能的优化和反馈系统打开了大门。展望未来，同样的策略可以扩展到其它诊断，通过迁移学习在设施间共享，并结合先进的数据选择方法以进一步提升性能。本质上，这项工作指向了能持续自我感知内部束流结构的加速器，而无需离开它们所服务的实验。

引用: 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

关键词: 虚拟诊断, 粒子加速器, 机器学习, 自由电子激光, 束流监测