[論文レビュー] Automatic Tuning of Free Electron Lasers

Ilya Agapov, Gianluca Geloni+2 more|arXiv (Cornell University)|Jan 1, 2017

Particle Accelerators and Free-Electron Lasers参考文献 14被引用数 3

ひとこと要約

本論文は、FLASHにおけるSASE増幅最適化を実時間のビーム診断フィードバックを用いて自動化するモデルフリーで経験的なチューニングフレームワークを提示する。統計的学習とオービット、光学、ビーム圧縮の柔軟な制御を組み合わせることで、数分でオペレータ水準の性能を達成し、ハードウェアのドリフトやノイズにもかかわらず、堅牢で再現可能な最適化が可能になる。チューニング時間は最大80％短縮された。

ABSTRACT

Existing FEL facilities often suffer from stability issues: so electron orbit, transverse electron optics, electron bunch compression and other parameters have to be readjusted often to account for drifts in performance of various components. The tuning procedures typically employed in operation are often manual and lengthy. We have been developing a combination of model-free and model-based automatic tuning methods to meet the needs of present and upcoming XFEL facilities. Our approach has been implemented at FLASH \cite{flash} to achieve automatic SASE tuning using empirical control of orbit, electron optics and bunch compression. In this paper we describe our approach to empirical tuning, the software which implements it, and the results of using it at FLASH. We also discuss the potential of using machine learning and model-based techniques in tuning methods.

研究の動機と目的

• . SASE FELの自動的で経験的なチューニングフレームワークを開発し、人的な手作業による長時間の干渉に依存しないようにすること。
• . 電子ビームオービット、光学、ビーム圧縮パラメータのドリフトによるFEL性能の不安定化を是正すること。
• . 物理モデルに依存しない最適化と統計的学習を組み合わせることで、熟練オペレータと同等の性能を達成できることを示すこと。
• . 可測なビーム応答と制御可能なデバイスのみを用いて、迅速かつ再現可能なFELパラメータのチューニングを可能にすること。
• . 本フレームワークを、インジェクション効率最適化を目的としたストレージリングを含む、他の加速器システムへも拡張可能であること。

提案手法

• . 最適化器は、通常は光パルスエネルギーの最大化やビーム位置の調整を目的として、補正磁石、四極磁石、RF位相などの制御可能なデバイスを調整する一連のアクションを実行する。
• . 各アクションは、性能指標（FoM）を用いて評価され、ビーム損失を防ぐためにBLM（ビーム損失モニタ）信号に基づき、損失ペナルティが適用される。
• . 本システムは物理モデルフリーのアプローチを採用し、理論的光学モデルではなく、測定された応答行列とリアルタイムのビームデータに依存する。
• . 統計的学習技術を用いて、制御ノブの性能への影響をランク付けし、優先順位付きのチューニング順序を可能にする。
• . フレームワークはPythonで実装され、OCELOT制御フレームワークと統合されており、施設間での再利用が可能である。
• . 本手法は拡張性が高く、線形加速器ベースのFEL（FLASH）およびストレージリングのインジェクション最適化（Siberia-2）の両方へ応用されている。

実験結果

リサーチクエスチョン

• RQ1 . 経験的でモデルフリーのチューニング手法は、熟練した人間オペレータと同等のSASE FEL最適化性能を達成できるか？
• RQ2 . 統計的学習とリアルタイムのビームフィードバックを組み合わせることで、チューニング時間の短縮と安定性の向上にどの程度効果的か？
• RQ3 . ビーム損失ペナルティを自動最適化中に安全な運用を保証するためにどの程度活用できるか？
• RQ4 . さまざまなデバイスグループ（例：補正磁石、RF位相）はSASE増幅にどの程度寄与するか、そしてその影響を客観的にランク付けできるか？
• RQ5 . 同じフレームワークはFELを越えて、例えばストレージリングのインジェクション効率最適化などに成功裏に応用可能か？

主な発見

• . FLASHにおける最適化実行の55％のケースで、光パルスエネルギーが増加し、そのうち20％のケースで10％以上の増幅が観測された。
• . 絶対的パルスエネルギー増幅において最も効果的なデバイスグループは{H10SMATCH, H12SMATCH, V14SMATCH, V7SMATCH}であり、最大のFoM1は141 µJに達した。
• . 相対的パルスエネルギー増幅に関しては、同じデバイスグループが最大のFoM2 189.37％を達成し、顕著な性能向上が確認された。
• . チューニング時間が顕著に短縮された。最適化は数分で完了し、熟練オペレータと同等の速度であった。
• . フレームワークはSiberia-2ストレージリングへのインジェクション効率最適化に成功裏に適応され、タイミング関連のビーム損失イベントが発生しても数分で最適性能に到達した。
• . 統計的分析によるノブランク付けにより、オービット補正磁石（H10SMATCH, H12SMATCHなど）が最も影響力が強く、全アクションの22.9％に使用された。次に影響力の大きかったのはアンジュレータ補正磁石（14.6％）であった。