Feixes de elétrons acelerados alimentam microscópios eletrônicos, lasers de raios-X, aceleradores médicos e outros dispositivos. Para otimizar o desempenho desses aplicativos, os operadores devem ser capazes de analisar a qualidade dos feixes e ajustá-los conforme necessário.
Nos últimos anos, pesquisadores do Laboratório Nacional do Acelerador SLAC do Departamento de Energia desenvolveram “diagnósticos virtuais” que usam aprendizado de máquina para obter informações cruciais sobre a qualidade do feixe de maneira eficiente e não invasiva. Agora, uma nova abordagem de diagnóstico virtual, publicada em Scientific Reports, incorpora informações adicionais sobre o feixe que permite que o método funcione em situações onde os diagnósticos convencionais falharam.
“Nosso método pode ser usado para diagnosticar virtualmente qualquer máquina que use feixes de elétrons, seja um microscópio eletrônico para imagens de objetos ultra-pequenos ou um acelerador médico usado na terapia do câncer”, disse Adi Hanuka, pesquisador associado do SLAC, que liderou o estudo.
Os diagnósticos convencionais de feixe são dispositivos físicos que precisam interagir com o feixe para medir suas propriedades, como intensidade e forma. Essa interação geralmente destrói ou altera a viga ou requer sua deflexão, portanto, ela não pode ser usada ao mesmo tempo para a aplicação real. As limitações técnicas também impedem medições precisas em alguns casos, por exemplo, quando os pulsos de elétrons do feixe são disparados a uma taxa muito alta ou são muito intensos.
O novo método não tem nenhuma dessas limitações porque não é um dispositivo físico. Em vez disso, ele usa uma rede neural – um algoritmo de aprendizado de máquina inspirado na rede neural do cérebro. Depois que a equipe do SLAC treinou a rede neural em dados obtidos com os aceleradores de partículas do laboratório, o algoritmo foi capaz de prever com precisão as propriedades do feixe para situações experimentais.
Os pesquisadores demonstraram o método comparando suas previsões com dados experimentais e simulados para os feixes de elétrons do laser de raios-X Linac Coherent Light Source (LCLS), sua atualização futura LCLS-II e o recentemente atualizado Facility for Advanced Accelerator Experimental Test ( FACET-II), três instalações de usuários do DOE Office of Science no SLAC.
Em particular, os resultados mostram que a abordagem de aprendizado de máquina ajuda em situações que estão além das capacidades das ferramentas convencionais. No caso do LCLS-II, por exemplo, a rede neural pode fornecer informações detalhadas sobre cada um dos milhões de pulsos de elétrons por segundo que a máquina produzirá – uma taxa de pulso sem precedentes que excede os limites da tecnologia de diagnóstico atual. Os diagnósticos virtuais também podem fornecer informações precisas sobre o feixe de alta intensidade do FACET-II, que é difícil de analisar com dispositivos físicos.
Publicado em 25/03/2021 09h40
Artigo original:
Estudo original: