探索机器学习技术在粒子加速器束流测量及反馈控制领域的应用研究。近期主要的研究包括：以多维束流参数测量结果为依据创建加速器运行状态空间，应用聚类方法对此空间中的加速器运行状态进行分析，给出当前运行状态评价指标及后续运行状态预测[1-2]；以宽带探头原始采样的多束团、多圈电压波形数据为输入，采用融合时空特征的混合神经网络架构，通过共享特征提取层与专用预测分支的协同设计，实现束团束长、相位和横向位置的端到端联合预测；针对束流信号传输过程中可能存在的信号发射及通道间信号串扰问题，以具有类似特征的多通道束流采样信号作为输入，利用卷积神经网络来求解信号反射系数及串扰系数，从而实现源信号与干扰信号的分离[3]；将卷积神经网络用于束流横向振荡或是纵向振荡过程监测数据的分析，实现多个加速器及束流参数的快速精确拟合[4]；利用强化学习技术中的DDPG算法和SAC算法，尝试在合肥红外FEL装置上训练一个智能体，实现装置运行过程中的参数自动调优；对于注入束团纵向分布实测数据的快速分析问题，采用MoblieNetV2网络测量数据图片的特征向量，与仿真标准数据库进行模式匹配，解决了电子储存环注入过程中初始束流参数反向提取的问题[5]。采用了一种基于深度全连接神经网络（FEL Power Predictor）的机器学习方法，通过分析波荡器上下游BPM所获取的多束团横向位置、电荷量与纵向相位等多维参数，构建高精度的激光功率预测模型，解决红外自由电子激光（FEL）输出功率难以实时、无损监测的问题，为装置参数调优提供数据驱动依据[6]。

[1] 方子堃，蒋天宇，周逸媚，冷用斌（*），基于机器学习的电子储存环注入品质评估及异常检测 ，核技术（审稿中）

[2] JIANG Ruitao, YANG Xing, DENG Youming, LENG Yongbin∗, Diagnostic Method for Beam Position Monitor Based on Clustering by Fast Search and Find of Density Peaks, J. Shanghai Jiao Tong Univ. (Sci.), 2022,  https://doi.org/10.1007/s12204-022-2546-y

[3] Chen J, Leng Y B *, Yu L Y, et al. Study of the crosstalk evaluation for cavity BPM[J]. Nuclear Science and Techniques, 2018, 29(6): 83.

[4] Xinyi Xu(†); Yimei Zhou; Yongbin Leng(*), Machine learning based image processing technology application in bunch longitudinal phase information extraction, PRAB 23, 032805 (2020)

[5] Tianyu Jiang, Jerry Jin, Yimei Zhou, Hongshuang Wang, Xing Yang and Yongbin  Leng, Analysis of Longitudinal Phase Space Evolution of  Fresh Injected Beam in Electron Storage Ring Based on Image Matching, JINST(under review)

[6] C. Liu, X. Yang, Y. M. Deng, Y. B. Leng†, PREDICTION OF FEL PERFORMANCE USING BPM MEASUREMENTS AND MACHINE LEARNING, IBIC2025