在每次輪班開始時，操作員必須調整加速器的性能，為下一次實驗準備X射線束。有時，在輪班期間也需要額外的調整。在過去，操作員每年都要花費數百個小時來完成這項任務，稱為加速器調諧。現在，SLAC國家加速器實驗室的研究人員，開發了一種使用人工智能機器學習的新工具，與以前的方法相比，它可能會使部分調優過程快五倍，其研究發表在《物理評論快報》期刊上。
人工智能機器學習
生產直線加速器相干光源強大的X射線束，首先要準備高質量的電子束。然后，一些電子的能量在特殊磁鐵中被轉化為X射線光。電子束的特性需要是密集和緊密聚焦的，這是決定X射線束好壞的關鍵因素。SLAC國家加速器實驗室人工智能機器學習計劃負責人、開發這項新技術的團隊成員丹尼爾·拉特納(Daniel Ratner)說：即使是電子束密度的微小差異，也會對最終釋放出的X射線量產生巨大影響。
加速器使用一系列稱為四極磁鐵的24種特殊磁鐵來聚焦電子束，類似于玻璃透鏡聚焦光線的方式。一般人類操作員在輪班之間小心翼翼地轉動旋鈕來調節單個磁鐵，以確保加速器產生特定實驗所需的X射線束。這一過程占用了操作員大量的時間，本來他們可以花在其他重要的任務上，以改進用于實驗的光束。幾年前，直線加速器相干光源操作員采用了一種自動加速磁鐵調諧的計算機算法。
更好的光束
然而，它也有缺點，其目的是通過隨機調整磁鐵強度來改善X射線束。但與人類操作員不同的是，這個算法事先不知道加速器的結構，也不能在調整過程中做出有根據的猜測，最終可能會產生更好的結果。這就是為什么SLAC國家加速器實驗室的研究人員，決定開發一種新的算法，將人工智能機器學習，學習如何隨著時間推移變得更好的“智能”計算機程序，與加速器的物理知識相結合。
新方法使用了一種稱為高斯過程的技術，它預測了特定加速器調整對X射線光束質量的影響。它還為其預測帶來了不確定性，然后，算法決定嘗試哪些調整以獲得最大改進。例如，它可能決定嘗試一次戲劇性的調整，其結果非常不確定，但可能會帶來巨大的回報。這意味著這種新的、富有冒險精神的算法，比以前的算法有更好的機會進行必要調整，以產生盡可能最佳的X射線束。
SLAC國家加速器實驗室的研究人員，還使用之前直線加速器相干光源(LCLS)操作的數據來教授算法，哪些磁體強度通常會導致更亮的X射線，這給了算法一種對應該嘗試的調整，做出有根據的猜測方法。這為算法配備了人類操作員自然擁有的專業知識，而之前的算法缺乏這些知識和專業知識。對磁鐵相互關系的洞察也改進了這項技術，四極磁鐵是成對工作的。
超越直線加速器相干光源
為了增加聚焦功率，必須增加一對磁鐵的強度，而降低另一對磁鐵的強度。研究人員估計，使用新的工藝，調諧四極磁鐵的速度大約快了三到五倍，同時它還傾向于產生比以前使用的算法更高強度的光束。SLAC國家加速器實驗室的加速器操作員簡·什塔倫科娃(Jane Shtalenkova)表示：我們提高調諧效率的能力，是對于能夠更高質量地向來自世界各地進行實驗的人提供光束非常關鍵。
同樣的方法可以擴展到調整科學家們，可能想要為他們實驗優化的其他電子束或X射線束特性。例如，研究人員可以應用這項技術，在直線加速器相干光源(LCLS)的X射線束擊中樣本后，最大化從樣本中獲得的信號，這種靈活性也使得新算法對其他設施很有用，這種機器學習算法的好處是，可以相對容易地進行技術轉移。
