Commissioning of the new CERN PS Booster charge exchange injection system : optimising and automating transverse phase space painting

Abstract

Die LHC Injektoren am CERN wurden im Rahmen des LHC Injectors Upgrade (LIU) Projektes neu ausgerüstet um einen Teilchenstrahl mit hoher Brillianz für das Upgrade des LHCs, den High Luminosity LHC (HL-LHC), bereitstellen zu können. Ein Schwerpunkt dieser Erneuerungen war der Anschluss des neu installierten 160 MeV H- Linearbeschleunigers Linac4 an den ersten Kreisbeschleuniger in der CERN Beschleunigerkette, den Proton Synchrotron Booster (PSB). Damit wird die Injektionsenergie des Boosters von 50 auf 160 MeV erhöht und der relativistische Faktor βγ2 verdoppelt. Dies ermöglicht es, leistungsbeeinträchtigende Raumladungskräfte trotz verdoppelter Strahlbrillanz auf dem gleichen Niveau wie vor dem Upgrade zu halten. Die neuen Systeme wurden im Winter 2020/2021 in Betrieb genommen.Ein wesentlicher Teil der Verbindung zwischen Linac4 und PSB ist das neu installierte 160 MeV Ladungsaustausch-Injektionssystem. In diesem werden während der Injektion die Elektronen des H- Strahles mittels einer Kohlenstofffolie gestrippt, sodass ein Protonenstrahl in den PSB injiziert wird. Während der Injektion wird der Orbit des PSB lokal in der horizontalen Ebene verändert, um den zirkulierenden Strahl zum injizierten Strahl zu leiten. Bei Variation der Amplitude dieser Orbitbeule während des Injektionsprozesses wird der transversale Abstand zwischen dem injizierten und dem bereits zirkulierenden Teilchenstrahl verändert. Der zeitliche Verlauf des Amplitudenabfalls kann je nach Strahltyp individuell eingestellt werden. Dies beeinflusst die Verteilung der Teilchen im transversalen Phasenraum. Die individuelle Anpassung der Phasenraumverteilung während der Injektion wird phase space painting genannt. Diese Technik wird im adaptierten PSB benutzt, um die transversalen Eigenschaften der verschiedenen Strahltypen, welche CERN für die Experimente bereitstellt, zu produzieren. Diese Dissertation beschäftigt sich mit Lösungsansätzen, um die Inbetriebnahme und den Betrieb des neuen Injektionssystems, sowie die Konfiguration der Injektionsschemata zu optimieren und automatisieren. Im ersten Teil der Arbeit werden selbstkonsistente Vielteilchensimulationen durchgeführt um adäquate Injektionsschemata für die unterschiedlichen Strahltypen auszuarbeiten. Diese wurden während der Inbetriebnahme angewandt und die Simulationen mit den experimentellen Ergebnissen verglichen. Der Fokus dieser Studien liegt dabei auf der Reduktion der Strahlverluste, welche bei der Produktion von Strahltypen mit hoher Intensität ein limitierender Faktor sind. Der zweite Teil der Arbeit untersucht Anwendungsmöglichkeiten maschinellen Lernens und numerischer Verfahren zur Leistung- und Effizienzsteigerung des neuen Systems. Im Zuge dessen wird die Realisierbarkeit, Injektionsparameter mithilfe numerischer Algorithmen online zu optimieren, demonstriert. Ein Ersatzmodell des Injektionsprozesses wird mittels maschinellen Lernens erstellt und verwendet, um die Leistungsfähigkeit unterschiedlicher Optimierungsalgorithmen offline zu untersuchen. Die Optimierung der Strahldynamik während des Injektionsprozesses wird abschließend durch Untersuchungen zur Regelung der Generatoren der Injektionskickermagneteergänzt. Diese Studien untersuchen die Parametrisierung und Modellierung komplexer elektronischer Schaltkreise mittels Neuronaler Netzwerke.

The CERN injector complex was upgraded within the framework of the LHC Injectors Upgrade project to produce high-brightness beams for the High Luminosity era of the LHC (HL-LHC). A key aspect of this upgrade is the connection of the newly built Linac4 to the Proton Synchrotron Booster (PSB) and the related installation of a new 160 MeV H- charge exchange injection system. Increasing the PSB injection energy from 50 to 160 MeV increases the relativistic factor βγ2 by a factor of two, which allows doubling the beam brightness while keeping space charge forces as before the upgrade. The new PSB charge exchange injection system was commissioned in winter 2020/2021. It comprises a graphite foil for electron stripping and a horizontal injection bump to move the circulating beam to the stripping foil. Customising the field decay of this injection bump during beam accumulation, also called phase space painting, enables tailoring the transverse beam characteristics for the different experiments at CERN. This thesis investigates solutions for commissioning the new system and pushing its performance by efficiently relating the requested transverse beam distributions to optimised operational paintings and required hardware parameterisations. In the first part, painting schemes for the different users are developed using self-consistent multi-particle simulations and benchmarked experimentally during beam commissioning. These studies mainly focus on optimising phase space painting to reduce space charge effects and minimise losses during the production of high-intensity fixed target beams. The second part of the thesis explores novel applications of machine learning and numerical optimisation techniques to enhance the efficiency and performance of the new system. The feasibility of applying numerical optimisation algorithms for configuring the painting functions is demonstrated on the machine. The performance of different optimisation algorithms is assessed and compared offline on a data-driven surrogate model. The beam dynamics studies are complemented by first investigations towards using deep learning concepts to define the electronic circuit parameterisation of the phase space kicker magnet pulse generators.