Autonomous operation of the DIAG0 diagnostic line for 6D phase-space monitoring at LCLS-II

Dit artikel beschrijft de eerste volledig autonome 6-dimensionale bundel-tomografiesysteem op de DIAG0-bijlijn van LCLS-II, dat met behulp van machine learning en generatieve analyse elke 5 tot 10 minuten een gedetailleerde fase-ruimtereconstructie van de bundel mogelijk maakt voor real-time monitoring.

De kern

De Zelfrijdende Camera voor deeltjesversnellers: Een verhaal over LCLS-II

Stel je voor dat je een gigantische, supersnelle auto hebt die lichtstraaltjes (röntgenstraling) produceert om de kleinste details van de wereld te fotograferen. Dit is de LCLS-II in Californië. Maar om die foto's perfect te maken, moet de auto (de elektronenbundel) perfect rijden. Als de auto een beetje slordig rijdt, zijn de foto's wazig.

Het probleem? De auto rijdt zo snel en is zo complex dat niemand met het blote oog kan zien wat er precies gebeurt. De bestuurders (wetenschappers) moeten de auto constant bijsturen, maar dat is als proberen een vliegtuig te besturen terwijl je door een raam kijkt dat trilt.

Dit paper vertelt het verhaal van een nieuwe, slimme oplossing: een volledig zelfrijdend diagnostisch systeem dat de bundel 24/7 in de gaten houdt, zonder dat mensen hoeven te knipperen met hun ogen.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het Probleem: De "Zwarte Doos"

De elektronenbundel heeft zes dimensies (denk aan snelheid, richting, positie in drie richtingen en tijd). Het is als een wolk van miljarden deeltjes die alle kanten op kunnen bewegen.

• Oude manier: Om te zien hoe deze wolk eruitzag, moesten mensen handmatig duizenden knoppen draaien, metingen doen en dan uren wachten op een computer om het plaatje te maken. Tegen die tijd was de bundel al weer veranderd. Het was alsof je probeert de vorm van een wolk te tekenen terwijl je wacht tot de computer de potloden slijpt.
• Nieuwe manier: We hebben een robot gebouwd die dit allemaal zelf doet, razendsnel.

2. De Oplossing: De Slimme Robot (DIAG0)

De wetenschappers hebben een speciale zijlijn gebouwd genaamd DIAG0. Dit is een "parasitaire" lijn, wat betekent dat het een klein stukje van de elektronenbundel aftapt (zoals een aftakking van een rivier) om te meten, zonder de hoofdstroom te verstoren.

Op deze lijn werken twee slimme systemen samen:

• De Autopilot (Baysean Optimalisatie):
  Stel je voor dat je een blindeman bent die een kamer moet inrichten. Hij tast rond, probeert een stoel, en als hij stoot, weet hij dat hij de muur raakt. Hij probeert iets anders.
  De "Autopilot" doet dit, maar dan met magneten. Hij draait aan de knoppen, kijkt of de bundel recht gaat, en leert van elke fout. Hij gebruikt een slim algoritme dat zegt: "Oké, als ik deze knop 2% meer draai, wordt het waarschijnlijk beter." Hij doet dit zo snel dat hij de bundel perfect richt voordat de mens er überhaupt bij kan.

  • De Grootte van de Tegel: Hij zorgt dat de bundel precies door het midden van de magneten gaat (niet tegen de wanden), dat hij scherp is op de camera's, en dat de timing van de elektronen perfect is.

• De 3D-Scanner (Generatieve Reconstructie):
  Als de Autopilot de bundel heeft gericht, moet hij de vorm ervan "fotograferen". Maar je kunt de bundel niet gewoon op een foto zetten; je ziet alleen schaduwen (profielen).
  Hier komt de Generatieve AI om de hoek kijken. Stel je voor dat je een beeld van een object alleen ziet als schaduw op een muur. Een slimme computer kan echter zeggen: "Op basis van deze schaduw en wat ik weet over hoe licht werkt, kan ik de volledige 3D-vorm van het object reconstrueren."
  De computer neemt de schaduwen (metingen) en bouwt een virtueel, 3D-model van de elektronenwolk. Dit gebeurt in slechts 5 tot 10 minuten, terwijl het vroeger uren duurde.

3. Het Resultaat: Een Live Video van de Bundel

In plaats van een statische foto, krijgen we nu een live video van hoe de bundel verandert.

• De robot meet, scant, en reconstrueert de bundel elke 5-10 minuten.
• Hij ziet als een detective kleine veranderingen: "Hé, de bundel is een beetje naar links gedraaid" of "De energie is iets minder geworden."
• Omdat dit zo snel gaat, kunnen de wetenschappers zien hoe de machine "moe" wordt of hoe temperatuurveranderingen de bundel beïnvloeden, en kunnen ze direct ingrijpen.

4. Waarom is dit zo belangrijk?

Vroeger was het alsof je een auto bestuurde met een blinddoek op, en je wachtte tot je een uur later een kaartje kreeg om te zien waar je gereden had.
Met dit systeem heb je nu een live dashboard met een GPS die je vertelt: "Je rijdt nu 10% te schuin, en je motor begint te trillen."

Dit stelt de wetenschappers in staat om:

1. Betere foto's te maken: De röntgenstraling is helderder en scherper.
2. Minder tijd te verliezen: Geen uren wachten op metingen meer.
3. De toekomst te zien: Het is een stap naar volledig zelfrijdende versnellers in de toekomst, waar computers de hele machine beheren terwijl mensen gewoon de resultaten bekijken.

Kortom: De wetenschappers hebben een slimme robot gebouwd die een complexe deeltjesbundel in de gaten houdt, zichzelf corrigeert en in een handomdraai een 3D-kaart maakt van iets dat onzichtbaar is. Het is alsof we eindelijk een bril hebben gekregen om de onzichtbare wereld van deeltjesversnellers te zien.

Technische samenvatting

Probleemstelling

Het karakteriseren van de volledige 6-dimensionale (6D) fase-ruimteverdeling van elektronenbundels in de fotoinjector van LCLS-II is essentieel voor het optimaliseren van de prestaties van de vrije-elektronlaser (FEL). Langdurige monitoring is noodzakelijk om drifts in de machine te detecteren en tijdig corrigerende maatregelen te nemen. Echter, twee grote uitdagingen beperken momenteel de continue monitoring via de bestaande parasitaire diagnoselijn DIAG0:

1. Operationele complexiteit: Continu operationeel houden vereist gespecialiseerd personeel om machineparameters handmatig aan te passen aan veranderingen in de bundel (door drifts of wijzigingen in de operationele modus).
2. Rekenkundige en tijdskosten: Traditionele tomografische methoden voor het reconstrueren van de 6D-fase-ruimte zijn zowel experimenteel als computationeel zeer duur. Ze vereisen duizenden metingen en kunnen uren duren voor de analyse, waardoor ze ongeschikt zijn voor online monitoring of real-time feedback.

Methodologie

De auteurs presenteren het eerste volledig autonome systeem voor continue 6D-bundelmonitoring, dat twee kerncomponenten combineert:

1. Autonome Besturing via Bayesiaanse Optimalisatie (BO):

   • Het systeem gebruikt BO-algoritmen (geïmplementeerd in het Python-pakket Xopt) om de DIAG0-lijn zelfstandig te configureren en te onderhouden.
   • Taken: Het systeem voert automatisch de volgende taken uit:
     • Straling: Het centreren van de bundel in de magneten en diagnose-schermen via corrector-magneten.
     • Focussen: Het afstemmen van kwadrupoolmagneten om de bundel op de schermen te focussen (voor betere resolutie).
     • Fase-synchronisatie: Het afstemmen van de fase van de transversale deflectieholte (TCAV) op het nulpunt voor maximale lineaire deflectie.
     • Tomografische scans: Het uitvoeren van adaptieve kwadrupoolscans. In plaats van vaste rasterpunten, gebruikt het systeem een Upper Confidence Bound (UCB) acquisitiefunctie met beperkingen (zoals maximale bundelgrootte en signaal-ruisverhouding) om de optimale meetpunten dynamisch te selecteren.
   • Robuustheid: Het systeem bevat foutopsporing en herstelmechanismen (via het tenacity-pakket) om te reageren op onderbrekingen (bijv. stralingslimieten of analysefouten) door taken te herhalen of de workflow te resetten zonder menselijke tussenkomst.

2. Generatieve Fase-ruimte Reconstructie (GPSR):

   • De verkregen tomografische data worden gestreamd naar het SLAC Shared Scientific Data Facility (S3DF) voor verwerking.
   • Algoritme: GPSR gebruikt een diep-neuraal netwerk (een generatief model) om de deeltjesverdeling in de 6D-fase-ruimte te parametriseren. Dit wordt gekoppeld aan een differentieerbaar bundeldynamisch model (gebaseerd op de Cheetah-simulatiecode).
   • Proces: Het model lost een omgekeerd probleem op waarbij het de initiële bundelverdeling schat die het beste past bij alle experimentele projectiemetingen (OTR-schermen met TCAV aan/uit).
   • Snelheid: Dankzij GPU-versnelling (NVIDIA A100) duurt de reconstructie ongeveer 6 minuten.

Belangrijkste Bijdragen

• Eerste volledig autonome 6D-monitoring: Demonstratie van een systeem dat de DIAG0-lijn volledig autonoom bedient, van configuratie tot data-acquisitie, zonder menselijke interventie tijdens gebruikersoperaties.
• Adaptieve Scan-strategie: Introductie van een BO-gestuurde methode voor het selecteren van kwadrupoolinstellingen die zich aanpast aan veranderingen in de inkomende bundel, in plaats van starre meetprotocollen.
• Real-time 6D-reconstructie: Koppeling van autonome data-acquisitie aan snelle, generatieve reconstructie, waardoor een cadans van één reconstructie elke 5 tot 10 minuten mogelijk is.
• Validatie van Generatieve Modellen: Vergelijking met traditionele methoden (multivariate normale verdelingen) die aantoont dat generatieve modellen cruciaal zijn voor het vastleggen van niet-lineaire correlaties en fijne structuren in de bundel die bij benaderingsmethoden verloren gaan.

Resultaten

• Operationele Duur: Tijdens een proefperiode van negen uur op 25 november 2025 voerde het systeem zeven "runs" uit, waarbij in totaal 21 6D-metingen werden gedaan. De langste ononderbroken autonome run duurde 52 minuten met negen metingen (gemiddelde cadans van 5,75 minuten).
• Kwaliteit van Reconstructie:
  • De online GPSR-reconstructies tonen goede kwalitatieve overeenstemming met de experimentele bundelprofielen op de OTR-schermen.
  • Het systeem kan de evolutie van de bundel over tijd visualiseren, inclusief veranderingen in emittantie, bundellengte en energieverdeling.
  • Onzekerheidskwantificatie: Door ensemble-methoden (meerdere onafhankelijke runs) te gebruiken, kan het systeem betrouwbaarheidsintervallen berekenen. De reconstructie toont hoge betrouwbaarheid in de kern van de bundel, maar lagere betrouwbaarheid in de "halo" (door een lagere signaal-ruisverhouding).
• Observaties: Het systeem detecteerde drifts in de bundelkwaliteit over de tijd, zoals een toename van de verticale emittantie in de tweede helft van de shift en veranderingen in de correlatiestructuur van de bundel.

Betekenis en Toekomstperspectief

Dit werk markeert een significante stap naar volledig autonome bediening van versnellerstralen voor zowel huidige als toekomstige faciliteiten.

• Real-time Feedback: De mogelijkheid om elke 5-10 minuten een gedetailleerde 6D-fase-ruimte te krijgen, maakt het mogelijk om drifts in de injector te corrigeren terwijl gebruikersexperimenten plaatsvinden.
• Fundamenteel Onderzoek: Het biedt inzicht in hoe component-drifts de bundelstructuur beïnvloeden, wat essentieel is voor het handhaven van hoge FEL-prestaties.
• Pad naar Virtuele Diagnostiek: Hoewel GPSR momenteel afhankelijk is van tomografische data, legt deze autonome datacollectie de basis voor het verzamelen van grote datasets. Dit zal in de toekomst de ontwikkeling van "virtuele diagnostiek" (machine learning-modellen die direct machine-instellingen naar bundelprofielen vertalen) mogelijk maken, wat de noodzaak voor fysieke tomografische metingen in de toekomst zou kunnen verminderen.
• Volgende Generatie: Het bewijst dat complexe, hoge-dimensionale diagnostiek haalbaar is met AI-gestuurde besturing en generatieve modellen, een essentiële technologie voor de volgende generatie versnellers.