Forskere har utviklet en ny maskinlæringsplattform som lager algoritmer som styrer stråler
Daniele Filippetto og hans kollegerfra Lawrence Berkeley National Laboratory (Berkeley Lab) har utviklet et anlegg for automatisk å kompensere for endringer i sanntid i akseleratorstråler og andre komponenter som magneter.
Forskning på dette området vil påvirkepå tvers av mange partikkelakseleratorapplikasjoner, alt fra autonome operasjoner i industrielle og medisinske omgivelser til presisjonsforbedring i vitenskapelige applikasjoner som lineære kollidere og ultraraske frie elektronlasere.
Filippettos arbeid fokuserer nå på å utnytte kraften og prediksjonen til maskinlæringsverktøy for å forbedre den generelle stabiliteten til partikkelstråler.
«Hvis du kan forutsi egenskapene til en bjelke mednøyaktighet som overstiger svingningene deres, er det enkelt å bruke denne forutsigelsen til å forbedre ytelsen til akseleratoren," bemerket forskeren. "Kunnskap om nøkkelparametrene til strålen i sanntid vil ha en enorm innvirkning på den endelige nøyaktigheten til eksperimentene. ”
Metoden er allerede demonstrert på en akseleratorfor High Repetition Rate Electron Scattering (HiRES) ved Berkeley Lab i samarbeid med forskere ved Los Alamos National Laboratory og University of California, Los Angeles. Hovedanvendelsen av HiRES-strålelinjen er å utføre strukturelle dynamikkeksperimenter med nye kvantematerialer.
Enheten har bidratt til en rekke vitenskapeligefunn som å gjennomføre verdens første ultraraske elektrondiffraksjonsstudier av optisk smelting av tantalditellurid, et materiale med interessante og potensielt nyttige egenskaper. Denne nye maskinen viser nå sin anvendelighet for å utvikle nye kontrollmetoder for en bred klasse akseleratorer.
Les mer:
Fysikere har funnet en universell "klokke" i verdensrommet: de er mer nøyaktige enn atomare
Arkeologer har funnet tegninger av skumle mennesker med enorme hoder: hvem de var
James Webb-teleskopet tok det første bildet av Jupiter: det har 9 bevegelige mål samtidig