每当SLAC国家加速器实验室的直线加速器打开时，大约十亿个电子包就会以接近光速的速度一起穿过金属管道。

聪明的算法改进了加速器中的粒子束

这些电子束形成加速器的粒子束，用于研究分子、新材料和许多其他学科的原子行为。

但是，试图估计粒子束在穿过加速器时的样子是很困难的，科学家们通常只能粗略估计粒子束在实验中的表现。

现在，能源部SLAC国家加速器实验室、美国能源部阿贡国家实验室和芝加哥大学的研究人员开发了一种算法，可以更精确地预测光束在通过加速器时的粒子位置和速度分布。

这种详细的光束信息将帮助科学家更可靠地进行实验——随着加速器设施在越来越高的能量下运行并产生更复杂的光束轮廓，这一需求变得越来越重要。

研究人员在4月份的《物理评论快报》中详细介绍了他们的算法和方法。

“我们有很多不同的方法来操纵加速器内部的粒子束，但我们没有一种真正精确的方法来描述粒子束的形状和动量，”SLAC加速器科学家和主要作者RyanRoussel说。

“我们的算法考虑了通常被丢弃的光束的信息，并使用该信息绘制更详细的光束图片。”

通常，研究人员根据提供光束整体粗略形状的一些汇总统计数据来描述光束中粒子的位置和速度——但这种方法会抛出许多潜在有用的信息。

或者，光束科学家可以对光束本身进行多次测量，并尝试重建(有时使用机器学习)光束在不同实验环境下的样子——但这些方法需要大量数据和大量计算能力。

对于这项研究，该团队尝试了一种新方法：他们建立了一个机器学习模型，利用我们对光束动力学的理解来预测光束内粒子位置和速度的分布，统称为光束的相空间分布。

为了检验他们的想法，该团队使用他们的模型来解释美国能源部阿贡国家实验室的阿贡韦克菲尔德加速器的实验数据。

将粒子束动力学物理学与实验数据相结合，使研究人员仅使用10个数据点就可以准确地重建粒子束的精细细节——对于一些不包含模型的机器学习模型，这项任务可能需要多达10,000个数据点束物理学。

“大多数机器学习模型不直接包括任何粒子束动力学概念来加速学习和减少所需的数据量，”SLAC加速器科学家和合著者AuraleeEdelen说。“我们已经证明，我们可以从极少的数据中推断出非常复杂的高维光束形状。”

该算法目前可以​​沿着其上下和左右轴重建光束模型，就好像粒子束是沿着加速器路径移动的煎饼一样。这种类型的重建称为4D光束相空间。

接下来，研究人员希望通过实验证明该算法可以重建完整的6D相空间分布，其中包括粒子位置和沿光束行进方向的速度。

Roussel说，总的来说，该算法是我们今天在设施中分析实验加速器数据的方式的重大范式转变。

“我们现在可以以更全面、更强大的方式使用粒子束数据来提高我们在各地加速器上的科学目标，”他说。