KI optimiert Plasmabeschleuniger-Steuerung

Steile Lernkurve

Ein internationales Expertenteam (unter Beteiligung von DESY-Forschern) hat mit dem Astra-Gemini-Laser im STFC Rutherford Appleton Laboratory (Großbritannien) nachgewiesen, dass ein intelligenter Steuerungsalgorithmus die komplexen Parameter zum Betrieb von Teilchenbeschleunigern abstimmen und optimieren kann. Der Algorithmus konnte den Beschleuniger der nächsten Generation wesentlich schneller optimieren als ein menschlicher Operateur. Die Experimente wurden unter Leitung des Imperial College London an der Londoner Central Laser Facility durchgeführt. Die Ergebnisse hat das Forscherteam am 11.12.2020 open access in Nature Communications veröffentlicht.

Spektrum des erzeugten Elektronenstrahls auf dem Fluoreszenzbildschirm – mit seiner Hilfe kann die Energie der fast auf Lichtgeschwindigkeit beschleunigten Elektronen vermessen werden. Die Teilchen auf der rechten Seite haben eine höhere Energie (~150 MeV) – die auf der linken Seite niedrigere Energie – Foto © Imperial College, clf.stfc.ac.uk

Laser-Wakefield-Beschleuniger sind 1000-mal stärker als herkömmliche Maschinen und bieten eine kompakte Alternative zu konventionellen Beschleunigern. Sie kombinieren einen leistungsstarken Laser und ein Plasma, ein stark ionisiertes Gas, um auf kürzester Distanz intensive Elektronen- oder Röntgenstrahlen zu erzeugen. Herkömmliche Beschleuniger benötigen Hunderte von Metern oder gar Kilometer, um Elektronen zu beschleunigen; Wakefield-Beschleuniger hingegen können die gleiche Beschleunigung innerhalb von Zentimetern erreichen, was die Größe und Kosten solcher Anlagen drastisch reduziert. Diese Beschleuniger könnten von der Unterhaltungselektronik bis hin zur Krebsbehandlung eingesetzt werden. Sie sind einzigartig, weil sie Hochleistungslaser mit Plasmen kombinieren, um eine kompakte Quelle für Elektronen- und Röntgenstrahlen zu erzeugen.

Da die Zahl der Experimente mit Laser-Wakefield-Beschleunigern wächst, ist es nur natürlich, dass man versucht, den Aufbau der Maschine zu optimieren. Experimentell lässt sich der Beschleuniger durch eine mehrdimensionale Optimierung der Laser- und Plasmaparameter abstimmen, doch das ist selbst für einen gut ausgebildeten Forscher eine Herausforderung. Stattdessen zielten die Forscher darauf ab, die Optimierung eines 100 MeV-Beschleunigers mithilfe eines Algorithmus für maschinelles Lernen (ML) zu automatisieren. Der Algorithmus war in der Lage, bis zu sechs wichtige Laser- und Plasmaparameter gleichzeitig zu kontrollieren, den Laser abzuschießen, die Ergebnisse zu analysieren und dann die Parameter zu ändern. Die Maschine führte diesen Vorgang mehrmals durch und erkundete den Parameterraum so, dass die besten Bedingungen für die Erzeugung von Elektronen- oder Röntgenstrahlen vorhergesagt werden konnten, was sie zum ersten automatisierten Aufbau eines Plasmabeschleunigers machte.

Zusätzlich demonstrierten die Forscher, dass der Aufbau des Laser-Wakefield-Beschleunigers flexibel ist und so eingestellt werden kann, dass eine bestimmte Eigenschaft der Strahlen wie Ladung oder Energie optimiert wird. Während des Experiments zeigte sich, dass der Algorithmus eine subtile Abstimmung der Laserpulsform ermöglichte, die eine 80-prozentige Erhöhung der Elektronenstrahlladung bei geringer Änderung der Gesamtpulsdauer bewirkte.

Wir befinden uns an der Schwelle zum “vierten Paradigma” der datengesteuerten Entdeckung – innerhalb dieses Bereichs hebt diese Studie die Möglichkeit hervor, ML-Techniken zu nutzen, um einen vollautomatischen Plasmabeschleuniger herzustellen und gleichzeitig nie zuvor gesehene Einblicke in die grundlegende Physik der Maschine zu gewinnen.

In der Plasmazelle (Bildmitte) werden die Elektronen beschleunigt. Ein von rechts kommender Laserstrahl zündet das Plasma in der Zelle – Foto © Imperial College

Die Technologie der plasmabasierten Beschleunigung hat das Potenzial für eine neue Generation von Beschleunigern, die leistungsfähiger, kompakter und vielseitiger einsetzbar sind als die heutzutage verfügbaren. Die beschleunigten Elektronen oder von ihnen erzeugte Röntgenstrahlen können für wissenschaftliche Zwecke, z.B. zur Untersuchung der atomaren Struktur von Materialien, in industriellen Anwendungen, z.B. bei der Herstellung von Unterhaltungselektronik oder Autoreifen, als auch in medizinischen Anwendungen, z.B. in der Krebstherapie und der medizinischen Bildgebung, eingesetzt werden.Um die neue Technologie für diese große Vielfalt an Anwendungen vorzubereiten, muss jedoch der Beschleunigungsprozesses selbst sehr präzise und zuverlässig gesteuert werden können.

Künstliche Intelligenz oder maschinelles Lernen ist einer der meistersprechenden Ansätze zur Bedienung solcher komplexen Maschinen. Rob Shalloo (DESY), bis vor kurzem Forscher am Imperial College und Erstautor der aktuellen Studie, sagt: „Damit sich Plasmabeschleuniger in wissenschaftlichen, industriellen oder medizinischen Anwendungen durchsetzen können, müssen wir sie von einem Forschungsprojekt zu so etwas wie einem Plug-and-Play-Gerät entwickeln. Das ist für eine so komplexe Anlage wie einen Teilchenbeschleuniger, der unter extremen Bedingungen arbeitet, eine echte Herausforderung. Aber mit Hilfe von Machine Learning haben wir einen Ansatz gefunden, um das zu ermöglichen. Die Techniken, die wir entwickelt haben, werden entscheidend dazu beitragen, das Maximum aus dieser neuen Generation von Plasmabeschleunigeranlagen herauszuholen.“

Die während des Optimierungsprozesses gesammelten Daten lieferten auch neue Einblicke in die Dynamik der Laser-Plasma-Wechselwirkung innerhalb des Beschleunigers, die möglicherweise für zukünftige Konzepte zur weiteren Verbesserung der Beschleunigerleistung von Bedeutung sind.

->Quellen:

  • desy.de/index_ger
  • clf.stfc.ac.uk/Automated-Plasma-Accelerator
  • Originalveröffentlichung: R. J. Shalloo, S. J. D. Dann, J.-N. Gruse, C. I. D. Underwood, A. F. Antoine, C. Arran, M. Backhouse, C. D. Baird, M. D. Balcazar, N. Bourgeois, J. A. Cardarelli, P. Hatfield, J. Kang, K. Krushelnick, S. P. D. Mangles, C. D. Murphy, N. Lu, J. Osterhoff, K. Põder, P. P. Rajeev, C. P. Ridgers, S. Rozario, M. P. Selwood, A. J. Shahani, D. R. Symes, A. G. R. Thomas, C. Thornton, Z. Najmudin & M. J. V. Streeter: Automation and control of laser wakefield accelerators using Bayesian optimisation; in:  Nature Communications; DOI: 10.1038/s41467-020-20245-6
  • Teils übersetzt mit DeepL.com/Translator