[论文解读] Advanced Control Methods for Particle Accelerators (ACM4PA) 2019 Workshop Report

Alexander Scheinker, Claudio Emma+2 more|arXiv (Cornell University)|Jan 15, 2020

Particle Accelerators and Free-Electron Lasers参考文献 18被引用 5

一句话总结

本研讨会报告提出了一套由社区驱动的先进控制与机器学习（ML）算法框架，用于优化粒子加速器，特别是自由电子激光器（FELs）和等离子体尾波加速器。该框架结合神经网络进行初始参数估计，以及自适应极值搜索算法以追踪随时间变化的最优设置，在存在漂移和不确定性的情况下实现鲁棒的束流控制。

ABSTRACT

Los Alamos is currently developing novel particle accelerator controls and diagnostics algorithms to enable higher quality beams with lower beam losses than is currently possible. The purpose of this workshop was to consider tuning and optimization challenges of a wide range of particle accelerators including linear proton accelerators such as the Los Alamos Neutron Science Center (LANSCE), rings such as the Advanced Photon Source (APS) synchrotron, free electron lasers (FEL) such as the Linac Coherent Light Source (LCLS) and LCLS-II, the European X-ray Free Electron Laser (EuXFEL), the Swiss FEL, and the planned MaRIE FEL, and plasma wake-field accelerators such as FACET, FACET-II, and AWAKE at CERN. One major challenge is an the ability to quickly create very high quality, extremely intense, custom current and energy profile beams while working with limited real time non-invasive diagnostics and utilizing time-varying uncertain initial beam distributions and accelerator components. Currently, a few individual accelerator labs have been developing and applying their own diagnostics tools and custom control and ML algorithms for automated machine tuning and optimization. The goal of this workshop was to bring together a group of accelerator physicists and accelerator related control and ML experts in order to define which controls and diagnostics would be most useful for existing and future accelerators and to create a plan for developing a new family of algorithms that can be shared and maintained by the community.

研究动机与目标

• 解决在非侵入式诊断手段有限且系统不确定性随时间变化的情况下，对高强度、超短束团进行调谐的挑战。
• 开发一个共享的、由社区维护的控制与诊断算法家族，用于下一代加速器。
• 克服传统基于模型的控制在具有非线性动力学、漂移以及如FEL中的SASE过程等随机过程系统中的局限性。
• 实现实验室级复杂加速器（如LCLS、EuXFEL和FACET-II）的快速、自动化调谐，减少专家干预和调谐时间。
• 将机器学习与模型无关的反馈相结合，构建能够追踪变化条件下最优设置的自适应、鲁棒控制系统。

提出的方法

• 使用深度神经网络（NNs）将期望的纵向相空间分布映射到所需的加速器参数，提供初始控制猜测。
• 应用极值搜索（ES），一种模型无关的反馈算法，以在存在系统漂移和不确定性的情况下实时优化并追踪最优设置。
• 将基于NN的初始化与局部自适应反馈相结合，实现在时变环境中的快速收敛和持续性能。
• 在计算成本高昂的过程（如空间电荷、相干同步辐射）的实验数据或仿真数据上训练ML模型，以加速调谐和诊断。
• 利用非侵入式诊断手段，如横向调制腔（TCAVs）和光学衍射辐射（ODR），在不拦截束流的情况下监测束流相空间。
• 实施迁移学习和微调策略，以高效地将预训练模型适应到新的加速器配置或仿真数据中。

实验结果

研究问题

• RQ1 在存在时间变化的系统漂移和不确定性的情况下，机器学习如何用于快速估算复杂束团分布的最优加速器设置？
• RQ2 在FEL中实现实时束流控制时，数据驱动的神经网络与无模型自适应反馈之间最优的集成策略是什么？
• RQ3 当将ML模型适应到新的加速器配置或仿真环境时，迁移学习和微调能否减少对完整再训练的需求？
• RQ4 基于NN的初始化与极值搜索相结合，在LCLS和EuXFEL等设施中，对缩短调谐时间并提升束流质量的有效性如何？
• RQ5 在等离子体尾波加速器（如FACET-II和AWAKE）中，关键的诊断与控制挑战是什么？ML方法如何应对这些挑战？

主要发现

• 自适应ML方法——即使用神经网络进行初始参数估计，随后采用极值搜索——成功在束流和系统漂移的情况下追踪了最优FEL输出功率设置。
• 在LCLS上，该混合方法将重新配置为低电荷、3-fs束团操作的调谐时间从数小时缩短至数分钟。
• 实验结果表明，神经网络提供了良好的初始猜测，随后极值搜索在数分钟内收敛至最优设置，即使在时间变化的束流条件下也表现稳定。
• 该方法已在多个设施上成功演示，包括LANSCE（相位控制）、SPEAR3（晶格稳定）和FACET（非侵入式诊断）。
• 极值搜索被证明可最小化时变晶格中的贝他特罗振荡，并在无需完整系统模型的情况下最大化FEL输出功率。
• 在真实加速器数据或高保真仿真数据上对ML模型进行微调，使得对复杂束流动力学（如空间电荷和相干同步辐射）的调谐更加迅速且准确。