美国能源部托马斯·杰斐逊国家加速器设施的主粒子加速器是首台能够输出连续电子流的直线加速器，其效率和稳定性对世界各地核物理学家探索物质最微小组成部分的开创性实验至关重要。然而，当加速器出现异常时，连续电子束可能自动关闭，造成光束时间损失，代价高昂。
如今，科学家们正利用先进计算技术，帮助及早发现这些异常，目标是增加实验光束时间，减少追踪问题时间。其中，加速器的核心技术——超导射频(SRF)腔体可能出现的问题是造成停机的最大因素之一。SRF腔体推动强大电子束，用于揭示原子核内部世界。杰斐逊实验室的连续电子束加速器(CEBAF)拥有超过400个SRF腔体，效率极高，但该技术也存在一些可能限制其效率的独特问题。
杰斐逊实验室的科学家完成了三个研究项目，展示如何使用人工智能(AI)和机器学习(ML)提高SRF粒子加速器效率。
第一个项目延续此前研究，利用机器学习实时识别SRF异常，以便快速处理。另一个项目专注于提前预测异常的可能性。最后一个项目旨在降低操作过程中腔体内可能产生的一种有害辐射的水平。杰斐逊实验室高级研究员克里斯·坦南特表示，每个项目都致力于解决与运行像CEBAF这样的大型SRF加速器相关的不同挑战，这项研究为更稳定、更高效的加速器指明了方向，有助于确保杰斐逊实验室最大限度地提高科学产出，保持其在核物理研究领域的领先地位。
这些项目以杰斐逊实验室一小团队2018年开始的研究为基础，该团队探索机器学习技术如何帮助对空腔断层数据进行分类。初步工作成功后，团队制定方案，不仅可在断层发生后分类，还能提前预测断层。坦南特的同事丹尼斯·特纳、里亚德·苏莱曼和亚当·卡彭特提出两个额外研究概念，强化了这一提议，这两个概念符合通过人工智能优化SRF操作的更广泛目标。这些项目于2020年秋季启动，克服远程工作、供应链问题和硬件成本上升等挑战，最近在三份著名同行评审出版物上发表研究成果。
检测不稳定腔体
CEBAF是美国能源部科学办公室的用户设施，也是世界上第一个大规模应用SRF技术的设施。它使用一对配置类似地下赛道的SRF直线加速器发射高能极化电子束，光束以接近光速的速度穿过超冷低温模块(每个模块包含八个SRF腔)，射向四个实验大厅之一中选定的目标。科学家通过研究碰撞中产生的基本粒子，进一步了解原子核的结构。
维持SRF腔体的稳定性是持续挑战。即使不稳定不会导致光束断裂，也可能对直线加速器造成其他不利影响。诺福克老道明大学研究生兼特纳项目助理哈尔·弗格森表示，SRF腔体的异常行为会扰乱加速器操作，减少光束时间并影响研究成果质量，此类事件约占运行时间的15%，并导致研究活动和数据收集的延迟，不稳定的空腔可能导致每小时发生数次跳闸，直至被发现。
弗格森专长于利用机器学习模型检测网络安全系统中的异常，为这个项目，他开发了机器学习技术，专注于检测不稳定性和异常行为。杰斐逊实验室的工程团队开发了一种速度更快的高频数据采集系统，能以5kHz(即每秒5000次)的频率对腔体行为进行采样，显著快于传统的1Hz(每秒一次)采样率，使他们能够实时捕捉到原本可能被忽视的瞬态事件和细微异常。然后，他们应用主成分分析(一种无监督机器学习技术)来分析这些数据，并通过学习腔体的正常操作模式来帮助识别异常行为。弗格森称，他们使用机器学习模型了解每个腔体的“正常”状态，通过不断将新数据与基线比较，系统就能识别腔体是否正常。该系统已在CEBAF部署和使用，在2024年春季的最后一次运行中仅使用了几周，目前已上线，将进行2025年计划的实验运行。相关论文“通过无监督学习检测异常SRF腔体行为”发表在《物理评论加速器和光束》上。
预测故障
预测腔体故障的能力提供了干预和启动缓解策略以防止光束停机的宝贵机会。ODU电气与计算机工程系视觉实验室的博士生Md Monibor Rahman与Tennant合作为第二个项目进行了概念验证建模。
拉赫曼表示，成功预测故障并非易事，需要分析来自每个SRF腔体的几种不同信号，以区分正常运行和故障。不同腔体之间故障前的信号特征可能不同，因此每个受监控的腔体都必须有自己独特的模型。有些断层是逐渐形成的，而有些则会突然出现，团队必须专注于预测缓慢发展的断层。由于错误地预测断层可能会引发不必要的干预，在断层前期和断层后期之间找到正确平衡至关重要。
他们的项目涉及收集和整理正常和故障前腔体信号的大型数据集、预处理数据以及训练模型以区分稳定和故障前情况。坦南特表示，由于基础硬件的限制，该系统目前无法在CEBAF部署。例如，SRF腔体的设计无法提供系统在作战过程中所需的实时流数据。相反，团队使用了CEBAF运行的两个不同时期的数据来创建一个单独的数据集，旨在模拟该模型在CEBAF中部署时所看到的情况。
结果显示，故障预测模型能够正确预测80%缓慢发展的SRF腔体故障，同时在识别正常运行状态方面保持99.99%的准确率，这验证了该模型在高度不平衡的数据集中区分正常状态和故障状态的能力，证明了其实时部署的潜力。相关论文《利用杰斐逊实验室的深度学习加速空腔故障预测》于2024年发表在《机器学习：科学与技术》杂志上。
管理场发射
运行SRF腔体的一个主要限制因素是场发射。场发射由加速器内部的电子组成，但这些电子并非严格控制的电子束本身的一部分。这些“流氓电子”会在机器内部引发有害辐射，干扰电子束，损坏粒子加速器组件或基础设施，或形成持续发射辐射的热点。例如，场发射电子产生的中子辐射激活，可能会在SRF停止运行后的数天、数周甚至数月内造成危害。
场发射的主要来源是源自SRF腔壁的电子。CEBAF运行时，操作员控制向每个腔体提供的电压以加速电子束。当腔体电压过高时，可能会产生场发射电子，触发腔体场发射的电压会根据腔体独特的历史和特性而变化。目前，操作人员通过手动调节CEBAF中所有416个腔体的腔电压并观察辐射水平来管理场发射，一旦确定哪些腔体导致了辐射，就会降低辐射腔体的电压，并提高其他腔体的电压以补偿能量损失，这一操作在加速器运行过程中持续进行。
卡彭特和苏莱曼领导了这个项目。卡彭特是计算机科学和机器学习领域的专家，已在杰斐逊实验室的加速器操作小组工作近15年;苏莱曼则是杰斐逊实验室注入器和源中心的一名研究员。他们聘请了实验室数据科学系的博士后研究员史蒂文·戈登伯格，他专注于机器学习在加速器和粒子物理学中的应用。
团队通过在直线加速器上设置不同的电压水平并测量辐射响应来解决这个问题。然后，他们为每个辐射探测器训练了一组机器学习替代模型，并使用离线优化算法来确定电压设置，以降低辐射，同时仍能为实验者提供所需的射线束，之后这些设置在直线加速器上投入使用。在一次概念验证演示中，研究小组发现他们可以将CEBAF目前运行位置的辐射降低多达45%，这证明可以利用成熟的机器学习工具来模拟和最小化场发射，而无需持续的人工干预。他们现在正在确定如何最好地将工作融入粒子加速器操作中，相关研究成果“超导射频直线加速器场发射管理的数据驱动梯度优化”最近发表在《物理评论加速器和光束》杂志上。
更多信息：Hal Ferguson 等人，利用无监督学习检测 SRF 腔体异常行为，《物理评论：加速器与光束》(2025 年)。
Md M Rahman 等人，杰斐逊实验室利用深度学习加速腔体故障预测，《机器学习：科学与技术》(2024)。
S. Goldenberg 等人，超导射频直线加速器场发射管理的数据驱动梯度优化，《物理评论：加速器与束流》(2025)。
