（文章來源：百家號）

同步輻射光源是強大的設施，通過加速電子在受控光束中發射光，產生各種“顏色”或波長的光（從紅外到X射線）。像能源部勞倫斯·伯克利國家實驗室(Berkeley Lab)高級光源這樣的同步加速器，能讓科學家使用這種光以各種方式探索樣品，范圍從材料科學、生物學和化學到物理和環境科學。研究人員已經找到了升級這些機器的方法，以產生更強、更聚焦、更一致的光束，從而能夠在廣泛的樣本類型中進行新的、更復雜和詳細的研究。

但是一些光束特性仍然表現出性能的波動，這對某些實驗提出了挑戰。其中許多同步加速器設備為數十個同時進行的實驗提供不同類型的光。并且在這些單獨的光束線上增強光束屬性的小調整可以反饋到整個設施整體光束性能中。同步加速器的設計者和操作員幾十年來一直在與各種方法搏斗，以補償這些波動中最頑固的部分。現在，伯克利實驗室和加州大學伯克利分校的一個大型研究團隊，已經成功地證明了機器學習工具如何通過調整來提高實驗光束大小的穩定性。

神經網絡識別該數據中的模式，并確定不同的器件參數如何影響電子束的寬度，機器學習算法還建議對磁鐵進行調整，以優化電子束。由于電子束的大小反映了磁鐵產生的光束，因此該算法還優化了用于研究ALS材料特性的光束。

在ALS上的成功演示表明，該技術一般也可以應用于其他光源，并且將特別有利于通過升級ALS(稱為ALS-U項目)而實現的專業研究。伯克利實驗室(Berkeley Lab)下屬機構西村博史(Hiroshi Nishimura)說：這就是它的美妙之處，無論加速器是什么，無論傳統解決方案是什么，這個解決方案都可以在此之上。

今年早些時候，研究人員在ALS環周圍的兩個不同地點成功測試了該算法，ALS其他用戶進行新算法測試實驗，并要求對任何意想不到的性能問題提供反饋。ALS的博士后研究員C·內森·梅爾頓(C.Nathan Melton)說：在用戶操作方面進行了一致的測試。機器學習研究首席研究員、ALS加速器運營與開發的副手西蒙·利曼(Simon Leemann)說：對測試沒有任何負面反饋，研究團隊使用其中一條監測光束線是不斷測量加速器性能的診斷光束線，另一條是實驗正在積極運行的光束線。

具有活躍實驗的光束線(beamline 5.3.2.2)使用了一種被稱為掃描透射X射線顯微鏡(STXM)的技術，那里的科學家報告說在實驗中改善了光束性能。機器學習小組注意到，增強的光束性能也非常適合先進的X射線技術，如排版印刷，它可以將樣品的結構分解到納米級；以及X射線光子相關光譜(XPCS)，這對于研究沒有均勻結構高濃度材料的快速變化非常有用。其他需要可靠、高度聚焦恒定強度光束與樣品相互作用的實驗也可以從機器學習增強中受益。

隨著對樣品的小面積掃描，實驗要求變得越來越苛刻，所以必須找到新的方法來糾正這些不完美之處。光源是一直在努力解決的核心問題，以及機器學習工具所解決的問題，是在光束線源點處波動的垂直電子束尺寸。源點是光源處的電子束發射，到特定光束線實驗光的點，雖然電子束在這一點上的寬度是自然穩定，但它的高度(或垂直源大小)可以波動。這一努力克服了最初對機器學習提高加速器性能可行性的懷疑，并打開了此類工具如何產生真正效益的“黑匣子”。

這不是一個傳統上屬于加速器社區的工具，研究成功地將來自兩個不同社區的人聚集在一起，解決了一個非常棘手的問題。機器學習從根本上需要兩件事：問題需要可重現，需要大量的數據。數據顯示，當在各個光束線上進行調整時，電子束性能中出現了微小光點，并且該算法找到了一種方法來調整電子束，使其比傳統方法更好地抵消了這種影響這個問題由大約35個參數組成，這真的太復雜了，神經網絡一旦被訓練就做了什么，它能提供了一個預測，如果它根本不做任何事情來糾正它，那么機器中的源大小會發生什么情況。

在這個模型中有一個額外參數，描述了在某種類型磁鐵中所做的改變如何影響源尺寸。所以下來要做的就是選擇參數，根據這個神經網絡預測，產生研究想要創建的光束尺寸，并將其應用到機器上。算法指導的系統現在可以以每秒10次的速率進行校正，盡管每秒三次似乎足以提高這個階段的性能。機器學習團隊從能源部獲得了兩年資金，以便與SLAC國家加速器實驗室的斯坦福同步輻射光源合作，開展這個和其他機器學習項目。研究人員表示：人工智能這個流行詞似乎已經在研究界流行了很多年，不過，這一次它似乎終于變成了真實的東西。
（責任編輯：fqj）