基于机器学习的纵向虚拟诊断在瑞士FEL
S Bettoni1, G L Orlandi1, F Salomone1
1Paul Scherrer Institut, 5232 Villigen, Switzerland.
The Review of scientific instruments
|January 18, 2024
概括
我们开发了一种机器学习方法,以精确测量自由电子激光器 (FEL) 中的电子束长度. 这种非侵入性技术克服了传统方法的局限性,优化了加速器性能.
科学领域:
- 加速器物理学的物理学
- 颗粒束诊断 颗粒束诊断
- 机器学习应用 机器学习应用
背景情况:
- 电子束长度对于优化自由电子激光 (FEL) 性能至关重要.
- 使用横向偏移结构 (TDS) 进行传统的束长度测量是侵入性的和耗时的.
- 使用同步辐射的现有非侵入性方法与TDS测量相比有系统的差异.
研究的目的:
- 实施和优化用于预测电子束长度的机器学习 (ML) 方法.
- 为了克服同步辐射监测器 (SRM) 和基于TDS的束长度测量之间的差异.
- 提供一种非侵入性和有效的方法来描述瑞士FEL的束长度.
主要方法:
- 利用机器学习方法分析通过磁性小经过的电子束发出的同步子辐射.
- 从上游的无线电频率结构中利用已知的能量声.
- 训练有素的ML模型预测群长 (10 fs到2 ps) 和纵向形状.
主要成果:
- 成功实施和优化了一种基于ML的方法,用于捆绑长度预测.
- 克服了SRM和TDS测量之间的系统差异.
- 能够准确预测瑞士FEL压缩阶段的束长度和纵向配置.
结论:
- 开发的机器学习方法为电子束长度表征提供了一个可靠的,非侵入性的替代方案.
- 这种方法通过提供准确和频繁的测量来提高加速器性能的优化.
- 这种方法成功地解决了以前非侵入性技术的局限性.
