Machine Learning Constructed Surrogate Models for Photon Science

Im Bereich der Photonenwissenschaften wird für die Simulation sowohl der Hardware von Synchrotronlichtquellen als auch für Experimente in diesem Bereich komplexe Software eingesetzt. Diese Simulationen dauern trotz fortschrittlicher Rechenleistung in Form moderner GPUs und paralleler Verarbeitung oft mehrere Sekunden. Folglich benötigen Anwendungen, die schnelle Ergebnisse erfordern, wie Optimierungsaufgaben oder Echtzeitoperationen, alternative Lösungen mit deutlich kürzeren Inferenzzeiten. Diese Arbeit untersucht den Einsatz von neuronalen Netzen als Surrogate Modelle für solche komplexen Simulationen. Sie umfasst nicht nur das Trainieren von Modellen, sondern entwickelt auch Methoden des maschinellen Lernens für deren Anwendung in unterschiedlichen Aufgaben, von der Optimierung von Designparametern eines Weichröntgen-Spektrometers bis hin zur automatisierten Justierung optischer Elemente während einer Strahlzeit. Die vorgestellten Lösungen demonstrieren die Robustheit der Methoden und dienen als Prototypen für den Einsatz von Machine-Learning-Algorithmen an den Lichtquellen BESSY II und dem zukünftigen BESSY III. Um die Übertragbarkeit auf andere Fragestellungen im Bereich der Photonenwissenschaften sowie in den Material- und Computerwissenschaften zu gewährleisten, wurden die entwickelten Methoden in Muster unterteilt, die als Sprache zur Lösung verwandter Aufgaben dienen.