O perfil de um feixe de elétrons no síncrotron de fonte de luz avançada do Berkeley Lab, representado como pixels medidos por um sensor de dispositivo acoplado carregado (CCD). Quando estabilizado por um algoritmo de aprendizado de máquina, o feixe tem uma dimensão de tamanho horizontal de 49 mícrons da raiz quadrada média e dimensão vertical de 48 mícrons da raiz média quadrada. Experimentos exigentes requerem que o tamanho do feixe de luz correspondente seja estável em escalas de tempo que variam de menos de segundos a horas para garantir dados confiáveis. Crédito:Laboratório Nacional Lawrence Berkeley
Fontes de luz síncrotron são recursos poderosos que produzem luz em uma variedade de "cores, "ou comprimentos de onda - do infravermelho aos raios X - acelerando os elétrons para emitir luz em feixes controlados.
Síncrotrons como a fonte de luz avançada do Laboratório Nacional Lawrence Berkeley do Departamento de Energia (Berkeley Lab) permitem que os cientistas explorem amostras de várias maneiras usando essa luz, em campos que vão desde a ciência dos materiais, biologia, e da química à física e às ciências ambientais.
Os pesquisadores encontraram maneiras de atualizar essas máquinas para produzir mais intensos, focado, e feixes de luz consistentes que permitem novos, e estudos mais complexos e detalhados em uma ampla gama de tipos de amostra.
Mas algumas propriedades do feixe de luz ainda exibem flutuações no desempenho que apresentam desafios para certos experimentos.
Resolvendo um problema de décadas
Muitas dessas instalações do síncrotron fornecem diferentes tipos de luz para dezenas de experimentos simultâneos. E pequenos ajustes para melhorar as propriedades do feixe de luz nessas linhas de luz individuais podem realimentar o desempenho geral do feixe de luz em toda a instalação. Projetistas e operadores de síncrotron lutaram por décadas com uma variedade de abordagens para compensar a mais teimosa dessas flutuações.
E agora, uma grande equipe de pesquisadores do Berkeley Lab e da UC Berkeley demonstrou com sucesso como as ferramentas de aprendizado de máquina podem melhorar a estabilidade do tamanho dos feixes de luz para experimentos por meio de ajustes que cancelam amplamente essas flutuações - reduzindo-as de um nível de alguns por cento para baixo para 0,4 por cento, com precisão submicron (abaixo de 1 milionésimo de metro).
As ferramentas são detalhadas em estudo publicado em 6 de novembro na revista. Cartas de revisão física .
O aprendizado de máquina é uma forma de inteligência artificial em que os sistemas de computador analisam um conjunto de dados para construir programas preditivos que resolvem problemas complexos. Os algoritmos de aprendizado de máquina usados no ALS são chamados de uma forma de "rede neural" porque são projetados para reconhecer padrões nos dados de uma forma que se assemelha vagamente às funções do cérebro humano.
Neste estudo, pesquisadores alimentaram dados de feixe de elétrons do ALS, que incluía as posições dos dispositivos magnéticos usados para produzir luz a partir do feixe de elétrons, na rede neural. A rede neural reconheceu padrões nesses dados e identificou como os diferentes parâmetros do dispositivo afetaram a largura do feixe de elétrons. O algoritmo de aprendizado de máquina também recomendou ajustes nos ímãs para otimizar o feixe de elétrons.
Como o tamanho do feixe de elétrons reflete o feixe de luz resultante produzido pelos ímãs, o algoritmo também otimizou o feixe de luz que é usado para estudar as propriedades dos materiais no ALS.
A solução pode ter impacto global
A demonstração bem-sucedida no ALS mostra como a técnica também pode ser geralmente aplicada a outras fontes de luz, e será especialmente benéfico para estudos especializados habilitados por uma atualização do ALS conhecido como projeto ALS-U.
"Essa é a beleza disso, "disse Hiroshi Nishimura, uma afiliada do Berkeley Lab que se aposentou no ano passado e se envolveu nas primeiras discussões e explorações de uma solução de aprendizado de máquina para o problema de estabilidade do tamanho do feixe de luz de longa data. "Qualquer que seja o acelerador, e qualquer que seja a solução convencional, essa solução pode estar além disso. "
Steve Kevan, Diretor ALS, disse, "Este é um avanço muito importante para o ALS e o ALS-U. Por vários anos, tivemos problemas com artefatos nas imagens de nossos microscópios de raios-X. Este estudo apresenta uma nova abordagem de feed-forward baseada no aprendizado de máquina, e em grande parte resolveu o problema. "
O projeto ALS-U aumentará o foco estreito de feixes de luz de um nível de cerca de 100 mícrons para abaixo de 10 mícrons e também criará uma maior demanda por propriedades confiáveis do feixe de luz.
A técnica de aprendizado de máquina baseia-se em soluções convencionais que foram aprimoradas ao longo das décadas, desde o início do ALS em 1993, e que dependem de ajustes constantes em ímãs ao longo do anel ALS que compensam em tempo real os ajustes em linhas de luz individuais.
Nishimura, que fez parte da equipe que colocou o ALS online há mais de 25 anos, disse que começou a estudar o potencial de aplicação de ferramentas de aprendizado de máquina para aplicativos de aceleradores há cerca de quatro ou cinco anos. Suas conversas se estenderam a especialistas em computação e aceleradores no Berkeley Lab e na UC Berkeley, e o conceito começou a se formar há cerca de dois anos.
Este gráfico mostra como a estabilidade do tamanho do feixe vertical melhora muito quando uma rede neural é implementada durante as operações de fonte de luz avançada. Quando a chamada correção de "feed-forward" é implementada, as flutuações no tamanho do feixe vertical são estabilizadas até o nível sub-percentual (consulte a seção destacada em amarelo) a partir de níveis que, de outra forma, variam a vários por cento. Crédito:Laboratório Nacional Lawrence Berkeley
Teste bem-sucedido durante as operações ALS
Os pesquisadores testaram com sucesso o algoritmo em dois locais diferentes ao redor do anel ALS no início deste ano. Eles alertaram os usuários do ALS que realizam experimentos sobre o teste do novo algoritmo, e pediu que eles dessem feedback sobre quaisquer problemas inesperados de desempenho.
"Tivemos testes consistentes nas operações do usuário de abril a junho deste ano, "disse C. Nathan Melton, um pós-doutorado na ALS que se juntou à equipe de aprendizado de máquina em 2018 e trabalhou junto com Shuai Liu, um ex-aluno de graduação da UC Berkeley que contribuiu consideravelmente para o esforço e é um co-autor do estudo.
Simon Leemann, representante de Operações e Desenvolvimento do Acelerador na ALS e investigador principal no esforço de aprendizado de máquina, disse, "Não tivemos nenhum feedback negativo para o teste. Uma das linhas de luz de monitoramento que a equipe usou é uma linha de luz de diagnóstico que mede constantemente o desempenho do acelerador, e outra era uma linha de luz onde experimentos estavam sendo executados ativamente. "Alex Hexemer, um cientista sênior da ALS e líder do programa de computação, atuou como co-líder no desenvolvimento da nova ferramenta.
A linha de luz com os experimentos ativos, Beamline 5.3.2.2, usa uma técnica conhecida como microscopia de raios-X de transmissão de varredura ou STXM, e os cientistas relataram um melhor desempenho do feixe de luz em experimentos.
A equipe de aprendizado de máquina observou que o desempenho aprimorado do feixe de luz também é adequado para técnicas avançadas de raios-X, como pticografia, que pode resolver a estrutura de amostras até o nível de nanômetros (bilionésimos de um metro); e espectroscopia de correlação de fótons de raios-X, ou XPCS, que é útil para estudar mudanças rápidas em materiais altamente concentrados que não têm uma estrutura uniforme.
Outros experimentos que exigem um confiável, feixe de luz altamente focado de intensidade constante onde interage com a amostra também pode se beneficiar do aprimoramento do aprendizado de máquina, Leemann observou.
"Os requisitos dos experimentos estão ficando mais difíceis, com varreduras de área menor em amostras, "ele disse." Temos que encontrar novas maneiras de corrigir essas imperfeições. "
Ele observou que o principal problema com o qual a comunidade da fonte de luz lutou - e que as ferramentas de aprendizado de máquina abordam - é o tamanho do feixe de elétrons vertical flutuante no ponto de origem da linha de luz.
O ponto de origem é o ponto onde o feixe de elétrons na fonte de luz emite a luz que viaja para um experimento de linha de luz específico. Embora a largura do feixe de elétrons neste ponto seja naturalmente estável, sua altura (ou tamanho da fonte vertical) pode oscilar.
Abrindo a 'caixa preta' da inteligência artificial
"Este é um exemplo muito bom de ciência de equipe, "Leemann disse, observando que o esforço superou algum ceticismo inicial sobre a viabilidade do aprendizado de máquina para melhorar o desempenho do acelerador, e abriu a "caixa preta" de como essas ferramentas podem produzir benefícios reais.
"Esta não é uma ferramenta que tradicionalmente faz parte da comunidade de aceleradores. Conseguimos reunir pessoas de duas comunidades diferentes para resolver um problema realmente difícil." Cerca de 15 pesquisadores do Berkeley Lab participaram do esforço.
"O aprendizado de máquina requer basicamente duas coisas:o problema precisa ser reproduzível, e você precisa de grandes quantidades de dados, "Leemann disse." Percebemos que poderíamos colocar todos os nossos dados em uso e ter um algoritmo para reconhecer padrões. "
Os dados mostraram pequenos blips no desempenho do feixe de elétrons à medida que os ajustes eram feitos em linhas de luz individuais, e o algoritmo encontrou uma maneira de sintonizar o feixe de elétrons de modo que negasse esse impacto melhor do que os métodos convencionais.
"O problema consiste em cerca de 35 parâmetros - muito complexos para que possamos descobrir por nós mesmos, "Disse Leemann." O que a rede neural fez depois de treinada - nos deu uma previsão do que aconteceria com o tamanho da fonte na máquina se nada fizesse para corrigi-lo.
"Há um parâmetro adicional neste modelo que descreve como as mudanças que fazemos em um certo tipo de ímã afetam o tamanho da fonte. Então, tudo o que temos a fazer é escolher o parâmetro que - de acordo com esta previsão da rede neural - resulta em o tamanho do feixe que queremos criar e aplicar à máquina, "Leemann acrescentou.
O sistema direcionado por algoritmo agora pode fazer correções a uma taxa de até 10 vezes por segundo, embora três vezes por segundo pareça ser adequado para melhorar o desempenho nesta fase, Leemann disse.
A busca por novos aplicativos de aprendizado de máquina
A equipe de aprendizado de máquina recebeu dois anos de financiamento do Departamento de Energia dos EUA em agosto de 2018 para realizar este e outros projetos de aprendizado de máquina em colaboração com o Stanford Synchrotron Radiation Lightsource no SLAC National Accelerator Laboratory. "Temos planos de continuar desenvolvendo isso e também temos algumas novas ideias de aprendizado de máquina que gostaríamos de experimentar, "Leemann disse.
Nishimura disse que o chavão "inteligência artificial" parece ter entrado e saído da comunidade de pesquisa por muitos anos, no entanto, "Desta vez, finalmente parece ser algo real."
