利用神经网络与可微模拟从加速器束流测量中重建相空间
加速器物理
2023-04-19 v2
摘要
表征加速器中粒子束的相空间分布是理解加速器与优化性能的核心部分。然而，传统的基于重建的技术要么使用简化假设，要么需要专用诊断来推断高维（ 2D）束流性质。在本快报中，我们引入一种通用算法，其结合神经网络与可微粒子跟踪，在不使用专用束流诊断或束流操控的情况下高效重建高维相空间分布。我们证明，我们的算法在仿真与实验中利用单个聚焦四极铁与诊断屏准确重建了详细的 4D 相空间分布及相应置信区间。该技术允许同时测量多个相关相空间，这将使未来简化的 6D 相空间分布重建成为可能。
引用
@article{arxiv.2209.04505,
title = {Phase Space Reconstruction from Accelerator Beam Measurements Using Neural Networks and Differentiable Simulations},
author = {Ryan Roussel and Auralee Edelen and Christopher Mayes and Daniel Ratner and Juan Pablo Gonzalez-Aguilera and Seongyeol Kim and Eric Wisniewski and John Power},
journal= {arXiv preprint arXiv:2209.04505},
year = {2023}
}