时变系统的自适应机器学习：面向短强带电粒子束的六维相空间诊断

随着带电粒子束团变得更短且更强，非线性束内集体相互作用（如空间电荷力）以及束间影响（如尾场和相干同步辐射）的效应也随之增强。更短更强的束团也更难精确成像，因为其尺寸超出已有诊断设备的分辨率，且可能对拦截式诊断造成破坏。高强度高能束团详细诊断的匮乏是加速器界的根本挑战，因为束团和加速器都是以不可预测方式变化的时变系统。源于源的束团详细六维（x,y,z,px,py,pz）分布随时间的变化源于诸如光阴极激光强度分布演化和光阴极量子效率等因素。加速器磁铁、RF 放大器和控制系统受外部扰动、束流负载效应、温度变化和错位的影响。尽管机器学习（ML）方法近年已在加速器界日益流行，但对于时变系统它们存在根本局限，当前多数方法只是收集大量新数据集并重新训练，这对繁忙的加速器用户设施不可行，因为详细的束流测量通常会中断运行。需要为时变系统设计的新型自适应机器学习（AML）方法，通过结合卷积神经网络编码器-解码器架构等深度学习工具、与模型无关的反馈、物理约束和在线模型与实时非侵入式束流数据，以提供强束团动力学的详细虚拟视图，从而辅助高强度超短束团的诊断与控制。