Chaque année, des chercheurs du monde entier visitent le laboratoire national des accélérateurs SLAC du ministère de l'Énergie pour mener des centaines d'expériences en chimie, la science des matériaux, recherche en biologie et en énergie au laser à rayons X Linac Coherent Light Source (LCLS). LCLS crée des rayons X ultra-lumineux à partir de faisceaux d'électrons à haute énergie produits dans un accélérateur linéaire géant de particules.

Les expériences au LCLS se déroulent 24 heures sur 24, en deux équipes de 12 heures par jour. Au début de chaque quart de travail, les opérateurs doivent ajuster les performances de l'accélérateur pour préparer le faisceau de rayons X pour la prochaine expérience. Parfois, des ajustements supplémentaires sont également nécessaires pendant un quart de travail. Autrefois, les opérateurs ont consacré des centaines d'heures chaque année à cette tâche, appelé réglage de l'accélérateur.

Maintenant, Les chercheurs du SLAC ont développé un nouvel outil, en utilisant l'apprentissage automatique, qui peut rendre une partie du processus de réglage cinq fois plus rapide par rapport aux méthodes précédentes. Ils ont décrit la méthode dans Lettres d'examen physique le 25 mars.

Réglage du faisceau

La production du puissant faisceau de rayons X de LCLS commence par la préparation d'un faisceau d'électrons de haute qualité. Une partie de l'énergie des électrons est ensuite convertie en rayons X à l'intérieur d'aimants spéciaux. Les propriétés du faisceau d'électrons, qui doit être dense et bien concentré, sont un facteur critique dans la qualité du faisceau de rayons X.

"Même une petite différence dans la densité du faisceau d'électrons peut avoir une énorme différence dans la quantité de rayons X que vous obtenez à la fin, " dit Daniel Ratner, chef de l'initiative d'apprentissage automatique du SLAC et membre de l'équipe qui a développé la nouvelle technique.

L'accélérateur utilise une série de 24 aimants spéciaux, appelés aimants quadripolaires, pour focaliser le faisceau d'électrons de la même manière que les lentilles en verre focalisent la lumière. Traditionnellement, les opérateurs humains tournaient soigneusement les boutons pour ajuster les aimants individuels entre les quarts de travail afin de s'assurer que l'accélérateur produisait le faisceau de rayons X nécessaire pour une expérience particulière. Ce processus prenait beaucoup de temps aux opérateurs – du temps qu'ils pouvaient consacrer à d'autres tâches importantes qui améliorent le faisceau pour les expériences.

Il y a quelques années, Les opérateurs LCLS ont adopté un algorithme informatique qui a automatisé et accéléré ce réglage magnétique. Cependant, il est venu avec ses propres inconvénients. Il visait à améliorer le faisceau de rayons X en effectuant des ajustements aléatoires de la force des aimants. Mais contrairement aux opérateurs humains, cet algorithme n'avait aucune connaissance préalable de la structure de l'accélérateur et ne pouvait pas faire de suppositions éclairées sur son réglage qui auraient pu conduire à des résultats encore meilleurs.

C'est pourquoi les chercheurs du SLAC ont décidé de développer un nouvel algorithme qui combine l'apprentissage automatique - des programmes informatiques "intelligents" qui apprennent à s'améliorer au fil du temps - avec des connaissances sur la physique de l'accélérateur.

"L'approche de l'apprentissage automatique essaie de lier tout cela pour donner aux opérateurs de meilleurs outils afin qu'ils puissent se concentrer sur d'autres problèmes importants, " dit Joseph Duris, un scientifique du SLAC qui a dirigé la nouvelle étude.

Un meilleur faisceau, plus rapide

La nouvelle approche utilise une technique appelée processus gaussien, qui prédit l'effet qu'un ajustement particulier de l'accélérateur a sur la qualité du faisceau de rayons X. Il génère également des incertitudes pour ses prédictions. L'algorithme décide ensuite des ajustements à essayer pour les plus grandes améliorations.

Par exemple, il peut décider de tenter un ajustement radical dont l'issue est très incertaine mais pourrait être très rentable. Cela signifie que ce nouveau, L'algorithme aventureux a de meilleures chances que l'algorithme précédent de faire les ajustements nécessaires pour créer le meilleur faisceau de rayons X possible.

Les chercheurs du SLAC ont également utilisé les données des opérations LCLS précédentes pour enseigner à l'algorithme quelles forces d'aimant ont généralement conduit à des rayons X plus brillants, donnant à l'algorithme un moyen de faire des suppositions éclairées sur les ajustements qu'il devrait essayer. Cela dote l'algorithme des connaissances et de l'expertise que possèdent naturellement les opérateurs humains, et que l'algorithme précédent manquait.

« Nous pouvons compter sur ces connaissances en physique, cette connaissance institutionnelle, afin d'améliorer les prévisions, " dit Duris.

Les informations sur les relations entre les aimants ont également amélioré la technique. Les aimants quadripolaires fonctionnent par paires, et d'augmenter leur pouvoir de focalisation, la force d'un aimant dans une paire doit être augmentée tandis que celle de l'autre est diminuée.

Avec le nouveau processus, le réglage des aimants quadripolaires est devenu environ trois à cinq fois plus rapide, estiment les chercheurs. Il a également tendance à produire des faisceaux de plus haute intensité que l'algorithme précédemment utilisé.

"Notre capacité à augmenter notre efficacité de réglage est vraiment, vraiment essentiel pour pouvoir fournir un faisceau plus rapidement et de meilleure qualité aux personnes qui viennent du monde entier pour mener des expériences, " dit Jane Shtalenkova, un opérateur d'accélérateur au SLAC qui a travaillé avec Duris, Ratner et d'autres pour développer le nouvel outil.

Au-delà de LCLS

La même méthode peut être étendue pour régler d'autres propriétés de faisceau d'électrons ou de rayons X que les scientifiques peuvent vouloir optimiser pour leurs expériences. Par exemple, les chercheurs pourraient appliquer la technique pour maximiser le signal qu'ils obtiennent de leur échantillon après avoir été touché par le faisceau de rayons X du LCLS.

Cette flexibilité rend également le nouvel algorithme utile pour d'autres installations.

"Ce qui est bien avec cet algorithme d'apprentissage automatique, c'est que vous pouvez effectuer un transfert de technologie relativement facilement, " dit Adi Hanuka, un scientifique du SLAC qui a testé la technique sur trois autres accélérateurs :SPEAR3, l'anneau d'accélérateur alimentant la source lumineuse de rayonnement synchrotron de Stanford (SSRL) du SLAC ; PEGASUS à l'Université de Californie, Los Angeles; et la source avancée de photons (APS) du laboratoire national d'Argonne du DOE.

« Cet outil existe désormais dans plusieurs laboratoires, " dit Hanuka. " Avec un peu de chance, nous l'intégrerons bientôt dans encore plus de laboratoires."