Hızlandırılmış elektron ışınları elektron mikroskoplarına, X-ışını lazerlerine, tıbbi hızlandırıcılara ve diğer cihazlara güç sağlar. Bu uygulamaların performansını optimize etmek için operatörlerin ışınların kalitesini analiz edebilmesi ve gerektiğinde ayarlayabilmesi gerekir.

Geçtiğimiz birkaç yıldır, Enerji Bakanlığı'nın SLAC Ulusal Hızlandırıcı Laboratuvarı'ndaki araştırmacılar, ışın kalitesi hakkında önemli bilgileri verimli ve müdahalesiz bir şekilde elde etmek için makine öğrenimini kullanan "sanal teşhis" geliştiriyorlar. Şimdi, yeni bir sanal teşhis yaklaşımı yayınlandı. Bilimsel Raporlar, geleneksel teşhisin başarısız olduğu durumlarda yöntemin çalışmasına olanak tanıyan ışın hakkında ek bilgiler içerir.

Çalışmayı yöneten SLAC araştırma ortağı Adi Hanuka, "Metodumuz, ister çok küçük nesnelerin görüntülenmesi için bir elektron mikroskobu, ister kanser tedavisinde kullanılan bir tıbbi hızlandırıcı olsun, elektron ışınları kullanan hemen hemen her makineyi teşhis etmek için kullanılabilir" dedi.

Geleneksel ışın teşhisi, yoğunluk ve şekil gibi özelliklerini ölçmek için ışınla etkileşime girmesi gereken fiziksel cihazlardır. Bu etkileşim genellikle kirişi tahrip eder veya değiştirir veya sapmasını gerektirir, bu nedenle gerçek uygulama için aynı anda kullanılamaz. Teknik sınırlamalar bazı durumlarda, örneğin ışının elektron darbelerinin çok yüksek hızda ateşlendiği veya çok yoğun olduğu durumlarda doğru ölçümleri de engeller.

Yeni yöntem, fiziksel bir cihaz olmadığı için bu sınırlamaların hiçbirine sahip değil. Bunun yerine, beynin sinir ağından ilham alan bir makine öğrenme algoritması olan bir sinir ağı kullanıyor. SLAC ekibi, laboratuvarın parçacık hızlandırıcılarıyla alınan veriler üzerinde sinir ağını eğittikten sonra, algoritma, deneysel durumlar için ışın özelliklerini doğru bir şekilde tahmin edebildi.

Araştırmacılar, tahminlerini Linac Tutarlı Işık Kaynağı (LCLS) X-ışını lazerinin elektron ışınları, gelecekteki yükseltmesi LCLS-II ve yakın zamanda güncellenen Gelişmiş Hızlandırıcı Deneysel Testleri Tesisi için deneysel ve simüle edilmiş verilerle karşılaştırarak yöntemi gösterdiler ( FACET-II), SLAC'ta üç DOE Bilim Ofisi kullanıcı tesisi.

Sonuçlar özellikle makine öğrenimi yaklaşımının geleneksel araçların yeteneklerinin ötesindeki durumlarda yardımcı olduğunu gösteriyor. Örneğin LCLS-II durumunda sinir ağı, makinenin saniyede üreteceği milyon elektron darbesinin her biri hakkında ayrıntılı bilgi sağlayabilir; bu, mevcut teşhis teknolojisinin sınırlarını aşan benzeri görülmemiş bir darbe hızıdır. Sanal teşhis, FACET-II'nin fiziksel cihazlarla analiz edilmesi zor olan yüksek yoğunluklu ışını hakkında da doğru bilgi sağlayabilir.

###

Bu araştırma, DOE Bilim Ofisi ve SLAC'taki Laboratuvara Yönelik Araştırma ve Geliştirme (LDRD) programı tarafından finanse edildi.

SLAC, evrenin en büyük, en küçük ve en hızlı ölçeklerde nasıl çalıştığını araştıran ve dünyanın dört bir yanındaki bilim adamları tarafından kullanılan güçlü araçları icat eden canlı bir çok programlı laboratuvardır. Parçacık fiziği, astrofizik ve kozmoloji, malzemeler, kimya, biyo ve enerji bilimleri ve bilimsel hesaplamayı kapsayan araştırmalarla, gerçek dünyadaki sorunları çözmeye ve ulusun çıkarlarını ilerletmeye yardımcı oluyoruz.

SLAC, ABD Enerji Bakanlığı'nın Bilim Ofisi için Stanford Üniversitesi tarafından işletilmektedir. Bilim Ofisi, Amerika Birleşik Devletleri'ndeki fizik bilimlerinde temel araştırmaların en büyük destekçisidir ve zamanımızın en acil zorluklarından bazılarını ele almaya çalışmaktadır.