• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Physique
    Un nouvel outil d'apprentissage automatique diagnostique les faisceaux d'électrons de manière efficace, manière non invasive

    Représentation artistique d'un réseau de neurones superposé à un profil de faisceau d'électrons. Crédit :Adi Hanuka/SLAC National Accelerator Laboratory

    Faisceaux d'électrons accélérés au microscope électronique à puissance, Lasers à rayons X, accélérateurs médicaux et autres dispositifs. Pour optimiser les performances de ces applications, les opérateurs doivent pouvoir analyser la qualité des faisceaux et les ajuster au besoin.

    Depuis quelques années, des chercheurs du laboratoire national des accélérateurs SLAC du ministère de l'Énergie ont mis au point des « diagnostics virtuels » qui utilisent l'apprentissage automatique pour obtenir des informations cruciales sur la qualité du faisceau d'une manière efficace, manière non invasive. Maintenant, une nouvelle approche de diagnostic virtuel, Publié dans Rapports scientifiques , intègre des informations supplémentaires sur le faisceau qui permettent à la méthode de fonctionner dans des situations où les diagnostics conventionnels ont échoué.

    "Notre méthode peut être utilisée pour diagnostiquer pratiquement n'importe quelle machine qui utilise des faisceaux d'électrons, qu'il s'agisse d'un microscope électronique pour l'imagerie d'objets ultrapetits ou d'un accélérateur médical utilisé en cancérothérapie, " a déclaré Adi Hanuka, associé de recherche au SLAC, qui a dirigé l'étude.

    Les diagnostics de faisceau conventionnels sont des dispositifs physiques qui doivent interagir avec le faisceau pour mesurer ses propriétés, comme l'intensité et la forme. Cette interaction détruit ou altère souvent le faisceau ou nécessite sa déviation, il ne peut donc pas être utilisé en même temps pour l'application réelle. Les limitations techniques empêchent également des mesures précises dans certains cas, par exemple lorsque les impulsions d'électrons du faisceau sont tirées à un rythme très élevé ou sont très intenses.

    La nouvelle méthode n'a aucune de ces limitations car il ne s'agit pas d'un périphérique physique. Au lieu, il utilise un réseau de neurones, un algorithme d'apprentissage automatique inspiré du réseau de neurones du cerveau. Une fois que l'équipe du SLAC a formé le réseau de neurones sur les données prises avec les accélérateurs de particules du laboratoire, l'algorithme a pu prédire avec précision les propriétés du faisceau pour des situations expérimentales.

    L'associé de recherche du SLAC, Adi Hanuka, a dirigé le développement d'un nouvel outil de diagnostic virtuel, un algorithme d'apprentissage automatique qui peut aider à optimiser les performances des lasers à rayons X, microscopes électroniques, accélérateurs médicaux et autres dispositifs qui dépendent de faisceaux d'électrons de haute qualité. Crédit :Efrat Eshel

    Les chercheurs ont démontré la méthode en comparant ses prédictions avec des données expérimentales et simulées pour les faisceaux d'électrons du laser à rayons X Linac Coherent Light Source (LCLS), sa future mise à niveau LCLS-II, et l'installation récemment mise à niveau pour les tests expérimentaux d'accélérateurs avancés (FACET-II), trois installations d'utilisateurs du DOE Office of Science au SLAC.

    En particulier, les résultats montrent que l'approche d'apprentissage automatique est utile dans des situations qui dépassent les capacités des outils conventionnels. Dans le cas du LCLS-II, par exemple, le réseau neuronal peut fournir des informations détaillées sur chacune des millions d'impulsions d'électrons par seconde que la machine produira, une fréquence d'impulsions sans précédent qui dépasse les limites de la technologie de diagnostic actuelle. Les diagnostics virtuels peuvent également fournir des informations précises sur le faisceau à haute intensité de FACET-II, ce qui est difficile à analyser avec des appareils physiques.


    © Science https://fr.scienceaq.com