Kontrolle der Strahllage
Methoden des maschinellen Lernens (machine learning, ML) haben ihre Anwendung in einem breiten Spektrum von Aufgaben zur Steuerung von Beschleunigeranlagen gefunden. So können zum Beispiel neuronale Netze (NN) u. a. auch für die automatische Korrektur der Elektronenbahn (Orbit) eingesetzt werden. Bei DELTA wird der Orbit an 54 Stellen im Speicherring unter Einsatz von Strahllagemonitoren (Beam Position Monitor, Abk. BPM) im Sekundentakt gemessen (siehe Bild rechts). Unerwünschte Abweichungen der Strahllage vom idealen Referenzorbit werden mit Hilfe von 56 Korrekturmagneten (30 horizontal und 26 vertikal wirkend) und einem Software-Feedback-System minimiert.
ML-basierte Studien zu diesem Thema, die zunächst auf Simulationen basierten, wurden erfolgreich auf den realen Beschleunigerbetrieb am 1,5 GeV Elektronenspeicherring der Beschleunigeranlage DELTA übertragen. Zu diesem Zweck wurden klassische, voll verknüpfte, mehrschichtige Feed-Forward-Netze mittels überwachtem Lernen mit gemessenen Strahllagedaten und den zugehörigen Korrektorstärken trainiert. Die trainierten Netze können anschließend für lokale und globale Strahlpositionskorrekturen eingesetzt werden. Das überwachte NN-Training (supervised learning) wurde mit verschiedenen konjugierten Gradienten-Backpropagation-Lernalgorithmen durchgeführt.
Anschließend wurde die Leistungsfähigkeit der ML-basierten Bahnkorrektur mit konventionellen, numerisch basierten Berechnungsmethoden verglichen. Dabei zeigte der ML-basierte Ansatz eine konkurrenzfähige Bahnkorrekturqualität, jedoch mit einer geringeren Anzahl von Korrekturschritten. Weitere Details können dem internen Bericht und den Konferenzveröffentlichungen (IoP, IPAC-22) entnommen werden.
