نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشکده فیزیک دانشگاه صنعتی خواجه نصیر الدین طوسی
2 دانشکده فیزیک دانشگاه صنعتی خواجه نصیر الدین طوسی- تهران ;; ایران
3 طرح چشمه نور ایران، پژوهشگاه دانشهای بنیادی، صندوق پستی: 193955746، تهران، ایران
4 سنکروترون الترا (Elettra Sincrotrone Trieste)، تریست، ایتالیا
چکیده
در دهه اخیر، گام‌های قابل‌توجهی در پیشرفت فناوری شتابگر‌های سنکروترون الکترون (چشمۀ نور)، به‌ویژه در بهبود کیفیت باریکه، برداشته شده است. این شتابگر‌ها به طور دوره‌ای بازطراحی شده و ارتقا می‌یابند تا نیازهای علمی در حال تکامل را برآورده کنند. یک جنبۀ حیاتی طراحی آنها کنترل دقیق مدار الکترون و تصحیح هرگونه خطا برای دستیابی به یک باریکۀ الکترون پایدار و در نتیجه باریکۀ فوتون پایدار با درخشندگی زیاد است. یکی از روش‌های مورد توجه در این زمینه، استفاده از شبکه‌های عصبی برای تصحیح موقعیت باریکۀ الکترونی در حلقۀ انبارش است؛ فرآیندی که معمولاً به‌عنوان کنترل مداری شناخته می‌شود. در این مطالعه، برای اولین بار یک مدل مبتنی بر معماری شبکۀ عصبی پیچشی برای مدیریت حلقۀ انبارش ELETTRA 2.0 (شتابگر چشمۀ نور در ایتالیا) آموزش داده شده است. عملکرد این مدل که مبتنی بر استفاده از فنون یادگیری ماشینی است، حدود ۶ درصد بهتر از روش ISVD است، درحالی‌که صحت عملکرد آن نسبت به داده‌های دنیای واقعی به سختی کاهش می‌یابد.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Electron beam control in the storage ring of the ELETTRA 2.0 accelerator using machine learning
نویسندگان [English]
- Mohammad Sadegh Yazdani 1
- seyed farhad masoudi 2
- Javad ًRahighi 3
- Sara Dastan 4
1 Physics Department, KN Toosi University of Technology
2 Physics Department, KN Toosi University of Technology
3 Iranian Light Source Facility (ILSF), Institute of research in fundamental Sciences (IPM), P.O. Box: 19395-5746, Tehran – Iran
4 Elettra Sincrotrone Trieste
چکیده [English]
In recent years, the advance of electron synchrotron light sources has been of central importance to synchrotron radiation users. In particular, improving electron beam qualities such as beam stability and intensity has been pivotal to the generation of high-brightness photon beams. As a result, in order to achieve a brighter photon beam, electron synchrotron accelerators have been undergoing significant changes in design. A crucial aspect of their design is precise control of particle trajectories and correction of any errors to achieve a stable electron beam and, consequently, a high-intensity photon beam. One intriguing approach in this field is the use of neural networks for correcting the electron beam position in the storage ring; a process commonly known as beam control. In this study, a convolutional neural network model has been developed to control the ELETTRA 2.0 storage ring (a synchrotron light source in Italy) for the first time. The performance of this model, based on machine learning techniques, is about 6% better than the ISVD method, while benefiting from its high robustness to real-world data.
کلیدواژه‌ها [English]
- Machine Learning
- Convolutional Neural Network
- Artificial Neural Controller
- Orbit Control
- Elettra 2.0 Storage Ring
)