多目标贝叶斯主动学习用于MeV超快电子衍射

科学领域:

• * 物理化学和材料科学 材料科学
• *超快的动力学和结构分析.

背景情况:

• *使用MeV能量束的超快速电子衍射 (UED) 提供了对物质动态过程的有力的洞察力.
• * 为各种科学应用优化电子束特性是复杂的,耗时的,通常需要手动调整.
• * 开发高效的,基于算法的在线调整策略对于推进UED实验至关重要.

研究的目的:

• * 证明多目标贝叶斯主动学习的有效性,以加速在线光束调节.
• *为了提高效率并减少优化MeV-UED中的电子探针特性所需的时间.
• *为加速器系统中探索复杂参数空间提供系统方法.

主要方法:

• * 在SLAC MeV-UED设施实施一个多目标贝叶斯优化算法.
• *有效地搜索加速器系统的高维,非线性参数空间.
• *绘制帕雷托前线图,以了解关键电子束属性之间的权衡.

主要成果:

• *成功展示了在线光束调节的多目标贝叶斯主动学习.
• * 与传统方法 (如网格扫描) 相比,实现了显著减少的测量次数.
• * 为实验系统的全球行为提供了前所未有的概述.

结论:

• *多目标贝叶斯主动学习提供了一种高效的方法来优化实验参数.
• *这种方法极大地减少了对MeV-UED的调时间和测量要求.
• * 开发的方案广泛适用于其他需要同时优化多个目标的复杂系统.