Cada ano, pesquisadores de todo o mundo visitam o Laboratório Nacional do Acelerador SLAC do Departamento de Energia para conduzir centenas de experimentos em química, Ciência de materiais, biologia e pesquisa de energia no laser de raios-X Linac Coherent Light Source (LCLS). O LCLS cria raios-X ultrabright a partir de feixes de elétrons de alta energia produzidos em um acelerador de partículas linear gigante.

Os experimentos no LCLS funcionam 24 horas por dia, em dois turnos de 12 horas por dia. No início de cada turno, os operadores devem ajustar o desempenho do acelerador para preparar o feixe de raios-X para o próximo experimento. As vezes, ajustes adicionais também são necessários durante um turno. No passado, os operadores gastam centenas de horas por ano nesta tarefa, chamado de ajuste do acelerador.

Agora, Os pesquisadores do SLAC desenvolveram uma nova ferramenta, usando aprendizado de máquina, que pode tornar parte do processo de ajuste cinco vezes mais rápido em comparação com os métodos anteriores. Eles descreveram o método em Cartas de revisão física em 25 de março.

Ajustando o feixe

A produção do poderoso feixe de raios-X do LCLS começa com a preparação de um feixe de elétrons de alta qualidade. Parte da energia dos elétrons é então convertida em luz de raios-X dentro de ímãs especiais. As propriedades do feixe de elétrons, que precisa ser denso e bem focado, são um fator crítico na qualidade do feixe de raios-X.

"Mesmo uma pequena diferença na densidade do feixe de elétrons pode ter uma grande diferença na quantidade de raios-X que você obtém no final, "diz Daniel Ratner, chefe da iniciativa de aprendizado de máquina do SLAC e membro da equipe que desenvolveu a nova técnica.

O acelerador usa uma série de 24 ímãs especiais, chamados ímãs quadrupolo, para focar o feixe de elétrons de maneira semelhante a como as lentes de vidro focam a luz. Tradicionalmente, operadores humanos giraram cuidadosamente os botões para ajustar ímãs individuais entre os turnos para garantir que o acelerador estava produzindo o feixe de raios-X necessário para um experimento específico. Este processo tomava muito tempo dos operadores - tempo que eles poderiam gastar em outras tarefas importantes que melhoram o feixe para experimentos.

Alguns anos atrás, Os operadores LCLS adotaram um algoritmo de computador que automatizou e acelerou esse ajuste magnético. Contudo, veio com suas próprias desvantagens. O objetivo era melhorar o feixe de raios-X, fazendo ajustes aleatórios nas forças dos ímãs. Mas, ao contrário dos operadores humanos, esse algoritmo não tinha conhecimento prévio da estrutura do acelerador e não podia fazer suposições fundamentadas em seu ajuste que poderiam ter levado a resultados ainda melhores.

É por isso que os pesquisadores do SLAC decidiram desenvolver um novo algoritmo que combina o aprendizado de máquina - programas de computador "inteligentes" que aprendem como melhorar com o tempo - com o conhecimento da física do acelerador.

"A abordagem de aprendizado de máquina está tentando unir tudo isso para fornecer aos operadores melhores ferramentas para que eles possam se concentrar em outros problemas importantes, "diz Joseph Duris, um cientista do SLAC que liderou o novo estudo.

Um feixe melhor, mais rápido

A nova abordagem usa uma técnica chamada de processo gaussiano, que prevê o efeito de um determinado ajuste do acelerador na qualidade do feixe de raios-X. Também gera incertezas para suas previsões. O algoritmo então decide quais ajustes tentar para obter as maiores melhorias.

Por exemplo, pode decidir tentar um ajuste dramático cujo resultado é muito incerto, mas pode levar a uma grande recompensa. Isso significa que este novo, O algoritmo aventureiro tem uma chance melhor do que o algoritmo anterior de fazer os ajustes necessários para criar o melhor feixe de raios-X possível.

Os pesquisadores do SLAC também usaram dados de operações LCLS anteriores para ensinar o algoritmo que as intensidades do ímã normalmente levam a raios-X mais brilhantes, dando ao algoritmo uma maneira de fazer suposições fundamentadas sobre os ajustes que ele deve tentar. Isso equipa o algoritmo com o conhecimento e a experiência que os operadores humanos têm naturalmente, e que faltava o algoritmo anterior.

"Podemos contar com esse conhecimento de física, esse conhecimento institucional, para melhorar as previsões, "Duris diz.

A compreensão das relações entre os ímãs também melhorou a técnica. Os ímãs quadrupolo funcionam em pares, e para aumentar seu poder de foco, a força de um ímã em um par deve ser aumentada enquanto a do outro é diminuída.

Com o novo processo, sintonizar os ímãs quadrupolo tornou-se cerca de três a cinco vezes mais rápido, os pesquisadores estimam. Ele também tende a produzir feixes de intensidade mais alta do que o algoritmo usado anteriormente.

"Nossa capacidade de aumentar nossa eficiência de ajuste é realmente, realmente crítico para ser capaz de entregar um feixe mais rápido e com melhor qualidade para pessoas que vêm de todo o mundo para realizar experimentos, "diz Jane Shtalenkova, um operador de aceleração da SLAC que trabalhou com Duris, Ratner e outros para desenvolver a nova ferramenta.

Além do LCLS

O mesmo método pode ser estendido para ajustar outras propriedades de feixe de elétrons ou raios-X que os cientistas podem querer otimizar para seus experimentos. Por exemplo, os pesquisadores poderiam aplicar a técnica para maximizar o sinal que obtêm de sua amostra depois que ela é atingida pelo feixe de raios-X do LCLS.

Essa flexibilidade também torna o novo algoritmo útil para outras instalações.

"O bom desse algoritmo de aprendizado de máquina é que você pode fazer transferência de tecnologia com relativa facilidade, "diz Adi Hanuka, um cientista do SLAC que tem testado a técnica em três outros aceleradores:SPEAR3, o anel do acelerador alimentando o Stanford Synchrotron Radiation Lightsource (SSRL) do SLAC; PEGASUS da Universidade da Califórnia, Los Angeles; e a Advanced Photon Source (APS) no Laboratório Nacional de Argonne do DOE.

"Esta ferramenta agora existe em vários laboratórios, "Hanuka diz." Esperançosamente, estaremos integrando-o em ainda mais laboratórios em breve. "