利用神经网络和可微分模拟从加速器束流测量中重建相空间
摘要：加速器中粒子束的相空间分布特性是加速器理解和性能优化的核心部分。然而，传统的基于重建的技术要么使用简化假设，要么需要专门的诊断工具来推断高维（>2D）的束流特性。在本文中，我们引入了一种通用算法，将神经网络与可微分的粒子跟踪结合起来，以有效地重建高维相空间分布，而不使用专门的束流诊断工具或束流操作。我们证明了我们的算法能够准确地重建详细的4D相空间分布，并给出相应的置信区间，无论是在模拟实验还是实际实验中，只需要一个聚焦四极磁铁和诊断屏幕。这种技术可以同时测量多个相关的相空间，从而在将来实现简化的6D相空间分布重建。
作者：Ryan Roussel, Auralee Edelen, Christopher Mayes, Daniel Ratner, Juan Pablo Gonzalez-Aguilera, Seongyeol Kim, Eric Wisniewski, John Power
论文ID：2209.04505
分类：Accelerator Physics
分类简称：physics.acc-ph
提交时间：2023-04-19