論文の概要: Harnessing Machine Learning for Single-Shot Measurement of Free Electron Laser Pulse Power
- arxiv url: http://arxiv.org/abs/2411.09468v2
- Date: Fri, 15 Nov 2024 15:38:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 12:19:58.909278
- Title: Harnessing Machine Learning for Single-Shot Measurement of Free Electron Laser Pulse Power
- Title（参考訳）: 自由電子レーザーパルスパワーの単ショット計測のための高調波機械学習
- Authors: Till Korten, Vladimir Rybnikov, Mathias Vogt, Juliane Roensch-Schulenburg, Peter Steinbach, Najmeh Mirian,
- Abstract要約: 我々は,電子束の時間的パワープロファイルを予測する機械学習モデルを開発した。
このモデルは統計的に検証され、最先端のバッチキャリブレーションよりも優れた予測が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Electron beam accelerators are essential in many scientific and technological fields. Their operation relies heavily on the stability and precision of the electron beam. Traditional diagnostic techniques encounter difficulties in addressing the complex and dynamic nature of electron beams. Particularly in the context of free-electron lasers (FELs), it is fundamentally impossible to measure the lasing-on and lasingoff electron power profiles for a single electron bunch. This is a crucial hurdle in the exact reconstruction of the photon pulse profile. To overcome this hurdle, we developed a machine learning model that predicts the temporal power profile of the electron bunch in the lasing-off regime using machine parameters that can be obtained when lasing is on. The model was statistically validated and showed superior predictions compared to the state-of-the-art batch calibrations. The work we present here is a critical element for a virtual pulse reconstruction diagnostic (VPRD) tool designed to reconstruct the power profile of individual photon pulses without requiring repeated measurements in the lasing-off regime. This promises to significantly enhance the diagnostic capabilities in FELs at large.
- Abstract（参考訳）: 電子ビーム加速器は多くの科学・技術分野において不可欠である。
彼らの操作は電子ビームの安定性と精度に大きく依存している。
従来の診断技術は、電子ビームの複雑でダイナミックな性質に対処する上で困難に直面する。
特に自由電子レーザー(FEL)の文脈では、単一電子束に対するラシングオンとラシングオフの電子パワープロファイルを測定することは基本的に不可能である。
これは光子パルスプロファイルの正確な再構築における重要なハードルである。
このハードルを克服するために,電子束の時間的パワープロファイルを予測する機械学習モデルを開発した。
このモデルは統計的に検証され、最先端のバッチキャリブレーションよりも優れた予測が得られた。
本研究は,各光子パルスのパワープロファイルの再現を目的とした仮想パルス再構成診断(VPRD)ツールの重要な要素である。
これにより、FELの診断能力が大幅に向上する。
関連論文リスト
- Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators [0.9208007322096533]
本稿では,リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。
物理インフォームド制約と高分解能トレーニングデータを活用することにより,精度と計算速度が向上する。
この方法は、レーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。
論文 参考訳（メタデータ） (2024-07-12T18:29:48Z) - Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Phonon state tomography of electron correlation dynamics in optically excited solids [0.0]
固体中の電子動力学の診断プローブとしてフォノン状態トモグラフィー(PST)を導入する。
PSTはフォノン応答のみにアクセスする実験で電子的挙動を診断するために用いられる。
論文 参考訳（メタデータ） (2024-03-07T04:26:45Z) - Learning Electron Bunch Distribution along a FEL Beamline by Normalising
Flows [48.236222741059834]
FELビームラインにおける電子雲の条件相空間表現のための正規化フローに基づく代理モデルを提案する。
得られた結果から、ビームライン内の基本的なプロセスをより深く理解するために、モデルのエクスプロイラビリティのさらなるメリットと制限について議論できる。
論文 参考訳（メタデータ） (2023-02-27T15:21:25Z) - Driving Force and Nonequilibrium Vibronic Dynamics in Charge Separation
of Strongly Bound Electron-Hole Pairs [59.94347858883343]
本研究では,1,2,3次元ドナー・アクセプタネットワークにおける電荷分離のダイナミクスについて検討する。
これにより、過度な振動運動が効率的な長距離電荷分離を誘導する正確な条件を特定できる。
論文 参考訳（メタデータ） (2022-05-11T17:51:21Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳（メタデータ） (2022-02-01T03:53:39Z) - Mixed Diagnostics for Longitudinal Properties of Electron Bunches in a
Free-Electron Laser [0.0]
電子束の縦方向の性質は、幅広い科学施設のパフォーマンスに不可欠である。
人工知能の力を活用して、実験データを用いたニューラルネットワークモデルを構築します。
そこで本研究では,予測スペクトルと測定スペクトルを組み合わせることで,CTRのオンライン計測を大幅に改善する手法を提案する。
論文 参考訳（メタデータ） (2022-01-15T06:32:48Z) - Toward AI-enhanced online-characterization and shaping of ultrashort
X-ray free-electron laser pulses [0.9743237458721049]
光電子角ストリーキングは、XFELパルスの正確な時間エネルギー構造を単発で回収することに成功した。
本稿では,XFELにおける本手法の実証段階から定期診断への活用方法を示す。
論文 参考訳（メタデータ） (2021-08-31T17:04:47Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Accurate and confident prediction of electron beam longitudinal
properties using spectral virtual diagnostics [0.0]
縦相空間(LPS)は、様々な科学応用のために電子ビーム力学に関する重要な情報を提供する。
我々は、相対論的電子ビームの放射から非破壊的に、ショット毎のLPSを正確に予測する機械学習ベースの仮想診断(VD)ツールを提案する。
論文 参考訳（メタデータ） (2020-09-27T13:02:33Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳（メタデータ） (2020-06-28T20:59:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。