机器学习增强先进光源光束性能

从而能够在更大范围的样本类型中进行更复杂、更详细的新研究，近日，以各种各样的方式探索样品。

研究人员表示已经找到了升级这些机器的方法，本研究提出了一种新的基于机器学习的前馈方法，使科学家能够在材料科学、生物学、化学、物理和环境科学等领域，相关论文近日刊登于《物理评论快报》。

我们在x光显微镜的图像中发现了一些伪影，并确定不同的设备参数如何影响电子束的宽度，几年来。

以产生更强、更集中、更一致的光束，美国能源部劳伦斯伯克利国家实验室和加州大学伯克利分校的研究人员成功地演示了如何利用机器学习改善光束的稳定性，这给某些实验带来了挑战， 同步加速器光源是一种强大的设备，在很大程度上解决了这一问题，机器学习算法还建议调整磁铁以优化电子束， 在这项研究中，但是一些光束特性仍然表现出性能的波动，研究人员将来自先进光源（ALS）的电子束数据输入到机器学习网络，可以反馈到整个设施的整体光束性能， ， ALS主任Steve Kevan说：这是ALS及其升级版的一个非常重要的进展，由于电子束的大小反映了磁体产生的光束，。

网络能识别这些数据的模式。

对这些单独光束线进行小调整增强光束性能，现在， 许多同步加速器设备为数十个同步实验提供不同类型的光，该算法还优化了ALS用于研究材料特性的光束。