基于深度神经网络的束流准直技术研究

With the development of synchrotron radiation sources, higher requirements are needed for beam alignment. The existing beam based alignment techniques are all based on the method of the response matrix, and can’t complete the high-precision alignment when the beam quality is low, which is limited in the application. In order to achieve high-precision beam based alignment under complex conditions, a new beam based alignment method based on deep neural network is proposed. The method describes the correspondence between the correction error and the beam trajectory through the deep neural network, constructs the model by selecting appropriate parameters, and uses the actual running data of the accelerator for recursive training and testing, which can effectively expand the application range and the accuracy of beam based alignment. The research results of this project will be first applied to Hefei Light Source (HLS II) and the national special scientific research equipment development project - infrared free electron laser device platform. In addition, the research results of this project can also be applied to other accelerator laboratories, accumulating new key technologies for the research of accelerator high-precision beam based alignment.

随着同步辐射光源的发展，人们对束流准直提出了更高的要求。已有的基于束流的准直技术都采用响应矩阵的处理方法，在束流品质较低时不能很好的完成高精度的准直要求，在应用中受到了很大的限制。为了实现复杂条件下高精度的束流准直，提出了一种基于深度神经网络的束流准直新方法。该技术通过深度神经网络描述需校正误差与束流轨道之间的对应关系，通过选取合适的参数进行模型构建，运用加速器的实际运行数据进行递归训练与测试，能有效拓展基于束流的准直技术的应用范围，提高准直精度。本项目的研究成果将首先应用于合肥光源（HLS II）和国家重大科研仪器设备研制专项项目-红外自由电子激光装置平台。另外，本项目研究成果也可以应用于国内外其他加速器实验室，为加速器高精度束流准直技术的研究积累新的关键技术。

本项目将深度学习神经网络应用于注入器在线束流位置校正当中，建立了一个包含三个全连接层的深度学习神经网络模型，并基于HLSII注入器实测数据进行了训练和测试，同时应用HLSII储存环的模拟束流数据对该方法和一般在线束流位置校正的线性拟合法进行了比较。结果表明此方法和线性拟合法精度相当，并且出现了一定过拟合的现象。项目随即转入神经网络模型的研究，在少样本医学图像神经网络模型研究领域取得了一定进展：.（1）针对当前医学图像分割模型未结合全局信息与局部信息的问题，提出了一种医学图像分割下的多注意力融合网络模型（MFUNet）。该模型在编码器部分引入特征融合模块（FFM）来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系；在解码器部分引入双通道注意力（DCA）模块来融合多级特征的通道信息。通过在2个公共数据集上（Synapse和ACDC）进行实验，MFUNet的平均Dice相似系数分别达到了81.06%和90.91%，优于其余模型。.（2）针对当前医学图像分割模型特征提取不精炼，边缘像素分割难的问题，提出了一种基于相互学习的多尺度特征融合医学图像分割网络模型（MLMSFF）。该模型设置多个网络同时进行训练，通过引入多尺度融合模块以获取模型的全局上下文信息，提炼数据的重要特征；在相互学习的过程中，引入重要性映射蒸馏模块（IMD）以学习对方网络的重要细节特征，引入KL散度（KLD）来拉近不同网络的分布距离。在2个公共数据集（MM-WHS和MS-CMR）上的实验表明，MLMSFF的平均Dice相似系数分别达到了89.76%、84.65%和86.76%，其他模型相比有较好的分割性能。.（3）针对当前医学图像分割模型可迁移性差的问题，提出了一种潜在特征对齐的跨模态医学图像模型（LFVA）。在解码器中加入自动变分编码器（VAE）来生成源域数据和目标域数据之间的潜在特征，采用最大均值差异（MMD）来拉近源域和目标域的边缘特征分布。在2个公共数据集（MS-CMR和CT-MR）上的实验表明，LFVA的平均Dice相似系数分别达到了81.10%和79.95%。与现阶段主流的跨模态分割模型相比，分割精度有明显提升。