利用编码器-解码器神经网络对电子束兆像素纵向相空间图像进行高保真预测
机器学习
2021-08-11 v4 加速器物理
摘要
由于复杂的物理过程与工程问题，大型研究设施的建模极具挑战。本文采用数据驱动方法，以编码器-解码器神经网络模型对欧洲 XFEL 光注入器的纵向相空间诊断束线进行建模。使用一个深度卷积神经网络（解码器）从另一个神经网络（编码器）生成的微小特征图构建屏幕上的测量图像。我们证明，仅用实验数据训练的模型即可对纵向相空间测量的兆像素图像做出高保真预测，而无需任何关于光注入器与电子束的先验知识。该预测显著优于现有方法。我们还通过让同一解码器与用于光注入器不同设置的多个编码器共享，展示了模型的可扩展性与可解释性，并提出了一种务实方法来对具有多种诊断与工作点的设施进行建模。这为利用神经网络与实验数据精确建模光注入器开辟了新途径。该方法有可能扩展至整个加速器乃至其他类型的科学设施。
引用
@article{arxiv.2101.10437,
title = {High-fidelity Prediction of Megapixel Longitudinal Phase-space Images of Electron Beams using Encoder-Decoder Neural Networks},
author = {Jun Zhu and Ye Chen and Frank Brinker and Winfried Decking and Sergey Tomin and Holger Schlarb},
journal= {arXiv preprint arXiv:2101.10437},
year = {2021}
}