在每次轮班开始时，操作员必须调整加速器的性能，为下一次实验准备X射线束。有时，在轮班期间也需要额外的调整。在过去，操作员每年都要花费数百个小时来完成这项任务，称为加速器调谐。现在，SLAC国家加速器实验室的研究人员，开发了一种使用人工智能机器学习的新工具，与以前的方法相比，它可能会使部分调优过程快五倍，其研究发表在《物理评论快报》期刊上。
人工智能机器学习
生产直线加速器相干光源强大的X射线束，首先要准备高质量的电子束。然后，一些电子的能量在特殊磁铁中被转化为X射线光。电子束的特性需要是密集和紧密聚焦的，这是决定X射线束好坏的关键因素。SLAC国家加速器实验室人工智能机器学习计划负责人、开发这项新技术的团队成员丹尼尔·拉特纳(Daniel Ratner)说：即使是电子束密度的微小差异，也会对最终释放出的X射线量产生巨大影响。
加速器使用一系列称为四极磁铁的24种特殊磁铁来聚焦电子束，类似于玻璃透镜聚焦光线的方式。一般人类操作员在轮班之间小心翼翼地转动旋钮来调节单个磁铁，以确保加速器产生特定实验所需的X射线束。这一过程占用了操作员大量的时间，本来他们可以花在其他重要的任务上，以改进用于实验的光束。几年前，直线加速器相干光源操作员采用了一种自动加速磁铁调谐的计算机算法。
更好的光束
然而，它也有缺点，其目的是通过随机调整磁铁强度来改善X射线束。但与人类操作员不同的是，这个算法事先不知道加速器的结构，也不能在调整过程中做出有根据的猜测，最终可能会产生更好的结果。这就是为什么SLAC国家加速器实验室的研究人员，决定开发一种新的算法，将人工智能机器学习，学习如何随着时间推移变得更好的“智能”计算机程序，与加速器的物理知识相结合。
新方法使用了一种称为高斯过程的技术，它预测了特定加速器调整对X射线光束质量的影响。它还为其预测带来了不确定性，然后，算法决定尝试哪些调整以获得最大改进。例如，它可能决定尝试一次戏剧性的调整，其结果非常不确定，但可能会带来巨大的回报。这意味着这种新的、富有冒险精神的算法，比以前的算法有更好的机会进行必要调整，以产生尽可能最佳的X射线束。
SLAC国家加速器实验室的研究人员，还使用之前直线加速器相干光源(LCLS)操作的数据来教授算法，哪些磁体强度通常会导致更亮的X射线，这给了算法一种对应该尝试的调整，做出有根据的猜测方法。这为算法配备了人类操作员自然拥有的专业知识，而之前的算法缺乏这些知识和专业知识。对磁铁相互关系的洞察也改进了这项技术，四极磁铁是成对工作的。
超越直线加速器相干光源
为了增加聚焦功率，必须增加一对磁铁的强度，而降低另一对磁铁的强度。研究人员估计，使用新的工艺，调谐四极磁铁的速度大约快了三到五倍，同时它还倾向于产生比以前使用的算法更高强度的光束。SLAC国家加速器实验室的加速器操作员简·什塔伦科娃(Jane Shtalenkova)表示：我们提高调谐效率的能力，是对于能够更高质量地向来自世界各地进行实验的人提供光束非常关键。
同样的方法可以扩展到调整科学家们，可能想要为他们实验优化的其他电子束或X射线束特性。例如，研究人员可以应用这项技术，在直线加速器相干光源(LCLS)的X射线束击中样本后，最大化从样本中获得的信号，这种灵活性也使得新算法对其他设施很有用，这种机器学习算法的好处是，可以相对容易地进行技术转移。
