电子经过电压加速形成电子束,这是电子显微镜、X射线激光、医疗加速器等设备的关键技术。为了优化电子束相关应用的性能,操作员必须能够分析电子束的质量并根据需要进行调整。
在过去的几年中,美国能源部SLAC国家加速器实验室的研究人员一直在开发「虚拟诊断」,该检测方法利用机器学习实现有效且无干扰地获得有关电子束质量的关键信息。最新的研究成果于近日发表在《自然·科学报告》(NatureScientific Reports)杂志上。
SLAC 团队提出的新型虚拟诊断方法结合了有关电子束的各种相关信息,使该方法可以在常规检测失败的情况下依旧有效。
图示:在电子束轮廓上叠加的神经网络的艺术表现。(来源:SLAC国家加速器实验室)
负责这项研究的SLAC助理研究员Adi Hanuka(阿迪·哈努卡)表示:「无论是用于微小物体成像的电子显微镜还是用于癌症治疗的医疗加速器,我们的方法可以用于几乎任何一种使用电子束的机器的诊断工作。」
常规的电子束检测设备需要与电子束相互作用来测量其物理特性,这种相互作用通常会使电子束产生偏转,破坏或改变原来的电子束。在某些特殊的情况下,电子束的脉冲会以很高的频率发射,技术限制使得精确的测量受限。因此,这类设备不能在实际应用中与电子束设备同时使用。
新方法就不存在这些限制,因为它不是物理设备。虚拟诊断模型使用简单的全连接前馈神经网络算法,训练数据从实验室的粒子加速器中获取,一旦训练完成,该算法就能够准确地预测实验室情况下电子束特性。
图示:SLAC助理研究员 Adi Hanuka。(来源:phys.org)
研究人员通过将预测的模拟数据与直线加速器相干光源(LCLS)X射线激光、升级版的LCLS-II和以及先进的加速器实验测试设施(FACET-II)三种设备得到的实验数据进行比较,证明了该方法的有效性。
结果表明,新的基于机器学习的方法在超出传统工具能力的情况下会有所帮助。在LCLS-II实验中,神经网络可以提供有关机器每秒产生的每百万个电子脉冲的详细信息,这是前所未有的脉冲速率,超出了当前检测技术的极限。虚拟诊断程序还可以提供有关FACET-II高强度光束的准确信息,这在使用物理设备进行分析时很难做到。
论文链接:https://doi.org/10.1038/s41598-021-82473-0
原文地址:https://phys.org/news/2021-03-machine-tool-electron-efficient-non-invasive.html