一种最大化 LCLS-II-HE 科学产出的端到端机器学习方法
仪器与探测器
2025-06-02 v1 机器学习
高能物理 - 实验
摘要
随着光源亮度的不断增加，包括 APS 的衍射极限亮度升级和 LCLS 的高重复频率升级，其中拟开展的实验变得越来越复杂。例如，在 LCLS-II-HE 上进行的实验将要求 X 射线束直径在几分之一微米以内，指向稳定性在几纳弧度以内，而这需要穿过千米长的电子加速器、百米长的波荡器段以及数十米长的 X 射线光学系统。这种亮度的提升将使数据产生速率增加到可与世界上最大的数据生成器相媲美的程度。如果没有实时主动反馈控制以及将测量结果转化为科学信息和见解的优化流水线，研究人员将淹没在大量几乎无用的数据洪流中，从而无法提取最近亮度升级所承诺的高度复杂的见解。在本文中，我们概述了我们在 SLAC 正在开发的策略，以实施机器学习驱动的优化、自动化和实时知识提取，从电子加速器起点的电子注入器，到多维 X 射线光学系统，直至 LCLS 的实验终端站和高读出率、百万像素级探测器，从而向用户提供设计性能。这通过来自加速器、光学和终端用户应用的示例进行了说明。
引用
@article{arxiv.2505.23858,
title = {A Start To End Machine Learning Approach To Maximize Scientific Throughput From The LCLS-II-HE},
author = {Aashwin Mishra and Matt Seaberg and Ryan Roussel and Fred Poitevin and Jana Thayer and Daniel Ratner and Auralee Edelen and Apurva Mehta},
journal= {arXiv preprint arXiv:2505.23858},
year = {2025}
}