摘要: 作为一台工作在1.5 GeV的第四代同步辐射光源，武汉先进光源（WALS）正在设计中，它采用一台全能量直线加速器（LINAC）作为电子束注入器。注入输运线采用三阶段方案：首先，位于储存环下方6米处的LINAC的光束被水平偏转至储存环下方，随后光束逐渐从地下爬升至与储存环相同的高度，最后光束水平进入储存环内的注入直线段。与此同时，完成了LINAC与储存环之间的Twiss参数匹配。在光束线建设过程中，磁铁制造误差、安装误差以及来自LINAC的光束注入误差会导致光束偏离预定的理想轨道，甚至可能造成粒子损失。因此，在光束调试过程中需要对电子束进行校正。与一般传输线的单方向光束校正不同，WALS注入传输线的水平和垂直方向是耦合的，这极大地增加了光束校正的复杂性和难度。近年来，机器学习技术得到了广泛的发展，其强大的可逆神经网络模型算法有望解决WALS光束注入传输线的光束调试难题。因此，设计并训练了一个可逆神经网络模型，用于模拟WALS注入光束线的光束传输和光束校正。通过优化束流截面探测器（profile）的数量和位置，可以显著提高双向预测和光束校正效果的准确性。这种方法对于类似复杂光束传输系统的调试和运行具有重要的实际意义。
相关信息
点击量
下载量
