Les sources lumineuses synchrotron sont des installations puissantes qui produisent de la lumière dans une variété de "couleurs, " ou des longueurs d'onde - de l'infrarouge aux rayons X - en accélérant des électrons pour émettre de la lumière dans des faisceaux contrôlés.

Des synchrotrons comme la source lumineuse avancée du laboratoire national Lawrence Berkeley du département de l'Énergie (Berkeley Lab) permettent aux scientifiques d'explorer des échantillons de diverses manières en utilisant cette lumière, dans des domaines allant de la science des matériaux, la biologie, et la chimie à la physique et aux sciences de l'environnement.

Les chercheurs ont trouvé des moyens de mettre à niveau ces machines pour produire des concentré, et des faisceaux lumineux cohérents qui permettent de nouveaux, et des études plus complexes et détaillées sur un large éventail de types d'échantillons.

Mais certaines propriétés du faisceau lumineux présentent encore des fluctuations de performances qui présentent des défis pour certaines expériences.

S'attaquer à un problème vieux de plusieurs décennies

Bon nombre de ces installations synchrotron fournissent différents types de lumière pour des dizaines d'expériences simultanées. Et de petits ajustements pour améliorer les propriétés du faisceau lumineux sur ces lignes de faisceau individuelles peuvent être répercutés sur les performances globales du faisceau lumineux dans l'ensemble de l'installation. Les concepteurs et les opérateurs de synchrotron ont lutté pendant des décennies avec une variété d'approches pour compenser les plus tenaces de ces fluctuations.

Et maintenant, une grande équipe de chercheurs du Berkeley Lab et de l'UC Berkeley a démontré avec succès comment les outils d'apprentissage automatique peuvent améliorer la stabilité de la taille des faisceaux lumineux pour les expériences via des ajustements qui annulent largement ces fluctuations, en les réduisant de quelques pour cent à 0,4 %, avec une précision submicronique (inférieure à 1 millionième de mètre).

Les outils sont détaillés dans une étude publiée le 6 novembre dans la revue Lettres d'examen physique .

L'apprentissage automatique est une forme d'intelligence artificielle dans laquelle les systèmes informatiques analysent un ensemble de données pour créer des programmes prédictifs qui résolvent des problèmes complexes. Les algorithmes d'apprentissage automatique utilisés à l'ALS sont appelés une forme de « réseau neuronal » car ils sont conçus pour reconnaître des modèles dans les données d'une manière qui ressemble vaguement aux fonctions du cerveau humain.

Dans cette étude, les chercheurs ont alimenté les données du faisceau d'électrons de l'ALS, qui comprenait les positions des dispositifs magnétiques utilisés pour produire de la lumière à partir du faisceau d'électrons, dans le réseau de neurones. Le réseau de neurones a reconnu des modèles dans ces données et a identifié comment différents paramètres de l'appareil affectaient la largeur du faisceau d'électrons. L'algorithme d'apprentissage automatique a également recommandé des ajustements aux aimants pour optimiser le faisceau d'électrons.

Parce que la taille du faisceau d'électrons reflète le faisceau lumineux résultant produit par les aimants, l'algorithme a également optimisé le faisceau lumineux utilisé pour étudier les propriétés des matériaux à l'ALS.

La solution pourrait avoir un impact mondial

La démonstration réussie à l'ALS montre comment la technique pourrait aussi généralement être appliquée à d'autres sources lumineuses, et sera particulièrement bénéfique pour les études spécialisées rendues possibles par une mise à niveau de l'ALS connue sous le nom de projet ALS-U.

"C'est la beauté de ceci, " dit Hiroshi Nishimura, un affilié de Berkeley Lab qui a pris sa retraite l'année dernière et s'était engagé dans les premières discussions et explorations d'une solution d'apprentissage automatique au problème de longue date de stabilité de la taille des faisceaux lumineux. "Quel que soit l'accélérateur, et quelle que soit la solution conventionnelle, cette solution peut s'ajouter à cela."

Steve Kevan, directeur de l'ALS, mentionné, "C'est une avancée très importante pour l'ALS et l'ALS-U. Depuis plusieurs années, nous avons des problèmes avec les artefacts dans les images de nos microscopes à rayons X. Cette étude présente une nouvelle approche feed-forward basée sur l'apprentissage automatique, et cela a largement résolu le problème."

Le projet ALS-U augmentera la focalisation étroite des faisceaux lumineux d'un niveau d'environ 100 microns à moins de 10 microns et créera également une demande plus élevée de cohérence, propriétés de faisceau lumineux fiables.

La technique d'apprentissage automatique s'appuie sur des solutions conventionnelles qui ont été améliorées au fil des décennies depuis le démarrage de l'ALS en 1993, et qui reposent sur des ajustements constants des aimants le long de l'anneau ALS qui compensent en temps réel les ajustements au niveau des lignes de lumière individuelles.

Nishimura, qui avait fait partie de l'équipe qui a mis l'ALS en ligne il y a plus de 25 ans, a déclaré qu'il avait commencé à étudier l'application potentielle des outils d'apprentissage automatique pour les applications d'accélérateurs il y a environ quatre ou cinq ans. Ses conversations se sont étendues à des experts en informatique et en accélérateurs du Berkeley Lab et de l'UC Berkeley, et le concept a commencé à prendre forme il y a environ deux ans.

Tests réussis pendant les opérations ALS

Les chercheurs ont testé avec succès l'algorithme sur deux sites différents autour de l'anneau de la SLA plus tôt cette année. Ils ont alerté les utilisateurs d'ALS menant des expériences sur le test du nouvel algorithme, et leur a demandé de donner leur avis sur tout problème de performance inattendu.

"Nous avons eu des tests cohérents dans les opérations des utilisateurs d'avril à juin de cette année, " a déclaré C. Nathan Melton, un stagiaire postdoctoral à l'ALS qui a rejoint l'équipe de machine learning en 2018 et a travaillé en étroite collaboration avec Shuai Liu, un ancien étudiant diplômé de l'UC Berkeley qui a considérablement contribué à l'effort et est co-auteur de l'étude.

Simon Leemann, adjoint aux opérations et au développement des accélérateurs à l'ALS et chercheur principal dans l'effort d'apprentissage automatique, mentionné, "Nous n'avons eu aucun retour négatif sur les tests. L'une des lignes de lumière de surveillance que l'équipe a utilisées est une ligne de lumière de diagnostic qui mesure en permanence les performances de l'accélérateur, et une autre était une ligne de lumière où les expériences étaient en cours d'exécution. " Alex Hexemer, scientifique senior à l'ALS et responsable du programme informatique, a été co-responsable du développement du nouvel outil.

La ligne de lumière avec les expériences actives, Ligne de lumière 5.3.2.2, utilise une technique connue sous le nom de microscopie à rayons X à transmission à balayage ou STXM, et les scientifiques y ont signalé une amélioration des performances du faisceau lumineux dans les expériences.

L'équipe d'apprentissage automatique a noté que les performances améliorées du faisceau lumineux sont également bien adaptées aux techniques avancées de rayons X telles que la ptychographie, qui peut résoudre la structure des échantillons jusqu'au nanomètre (milliardièmes de mètre); et spectroscopie de corrélation de photons aux rayons X, ou XPCS, ce qui est utile pour étudier les changements rapides dans des matériaux très concentrés qui n'ont pas une structure uniforme.

D'autres expériences qui exigent un un faisceau lumineux hautement focalisé d'intensité constante où il interagit avec l'échantillon peut également bénéficier de l'amélioration de l'apprentissage automatique, Leemann a noté.

« Les exigences des expériences se durcissent, avec des balayages de plus petite surface sur des échantillons, " a-t-il dit. " Nous devons trouver de nouvelles façons de corriger ces imperfections. "

Il a noté que le problème central auquel la communauté des sources lumineuses s'est débattue - et que les outils d'apprentissage automatique abordent - est la taille fluctuante du faisceau d'électrons vertical au point source de la ligne de lumière.

Le point source est le point où le faisceau d'électrons à la source lumineuse émet la lumière qui se déplace vers l'expérience d'une ligne de lumière spécifique. Alors que la largeur du faisceau d'électrons à ce stade est naturellement stable, sa hauteur (ou la taille de la source verticale) peut fluctuer.

Ouvrir la "boîte noire" de l'intelligence artificielle

"C'est un très bel exemple de science d'équipe, " Leemann a dit, notant que cet effort a surmonté un certain scepticisme initial quant à la viabilité de l'apprentissage automatique pour améliorer les performances des accélérateurs, et a ouvert la « boîte noire » de la façon dont ces outils peuvent produire de réels avantages.

"Ce n'est pas un outil qui fait traditionnellement partie de la communauté des accélérateurs. Nous avons réussi à réunir des personnes de deux communautés différentes pour résoudre un problème vraiment difficile." Environ 15 chercheurs du Berkeley Lab ont participé à l'effort.

"L'apprentissage automatique nécessite fondamentalement deux choses :le problème doit être reproductible, et vous avez besoin d'énormes quantités de données, " Leemann a déclaré. "Nous avons réalisé que nous pouvions utiliser toutes nos données et qu'un algorithme reconnaisse les modèles."

Les données ont montré les petits défauts dans les performances du faisceau d'électrons lorsque des ajustements ont été effectués sur les lignes de faisceau individuelles, et l'algorithme a trouvé un moyen de régler le faisceau d'électrons afin qu'il annule cet impact mieux que les méthodes conventionnelles.

"Le problème se compose d'environ 35 paramètres - bien trop complexe pour que nous puissions le comprendre nous-mêmes, " Leemann a déclaré. "Ce que le réseau de neurones a fait une fois qu'il a été formé - il nous a donné une prédiction de ce qui se passerait pour la taille de la source dans la machine s'il ne faisait rien du tout pour le corriger.

"Il y a un paramètre supplémentaire dans ce modèle qui décrit comment les modifications que nous apportons à un certain type d'aimant affectent cette taille de source. Il ne nous reste donc qu'à choisir le paramètre qui, selon cette prédiction de réseau de neurones, se traduit par la taille du faisceau que nous voulons créer et l'appliquer à la machine, " a ajouté Leemann.

Le système dirigé par algorithme peut désormais effectuer des corrections jusqu'à 10 fois par seconde, bien que trois fois par seconde semble suffisant pour améliorer les performances à ce stade, dit Leemann.

La recherche de nouvelles applications de machine learning

L'équipe d'apprentissage automatique a reçu un financement de deux ans du département américain de l'Énergie en août 2018 pour poursuivre ce projet et d'autres projets d'apprentissage automatique en collaboration avec la Stanford Synchrotron Radiation Lightsource du SLAC National Accelerator Laboratory. "Nous avons l'intention de continuer à développer cela et nous avons également quelques nouvelles idées d'apprentissage automatique que nous aimerions essayer, " a déclaré Leemann.

Nishimura a déclaré que les mots à la mode "intelligence artificielle" semblent avoir été tendance dans et hors de la communauté des chercheurs depuis de nombreuses années, bien que, "Cette fois, cela semble enfin être quelque chose de réel."