Новости космоса и технологий. » Физика » Машинное обучение улучшает диагностику ускорителей частиц

Машинное обучение улучшает диагностику ускорителей частиц

Опубликовал: Admin, 6-01-2021, 14:30, Физика, 99, 0

Машинное обучение улучшает диагностику ускорителей частиц

Операторы первичного ускорителя частиц в Национальном ускорительном комплексе Томаса Джефферсона Министерства энергетики США получают новый инструмент, который поможет им быстро решить проблемы, которые могут помешать его бесперебойной работе. Новая система машинного обучения прошла первые двухнедельные испытания, правильно определив неисправные компоненты ускорителя и типы сбоев, с которыми они сталкиваются, практически в реальном времени.

Анализ результатов первого полевого тестирования специализированной системы машинного обучения был недавно опубликован в Ускорители и балки Physical Review .

Ускоритель непрерывного электронного пучка, пользовательский объект Министерства энергетики США, оснащен уникальным ускорителем частиц, который ядерные физики используют для исследования самой сути материи. CEBAF питается от сверхпроводящих радиочастотных резонаторов, которые представляют собой структуры, которые позволяют CEBAF передавать энергию пучкам электронов для экспериментов.

«Сердце машины - это полости SRF, и довольно часто они срабатывают. Когда они срабатывают, мы хотели бы знать, как реагировать на эти срабатывания. Хитрость заключается в том, чтобы лучше понять срабатывание: какая полость сработала и что это за ошибка », - сказал Крис Теннант, научный сотрудник лаборатории Джефферсона Центра перспективных исследований ускорителей.

Опытные ученые-ускорители просматривают информацию об этих сбоях и могут использовать ее, чтобы определить, где возник сбой и какой это сбой, тем самым информируя операторов CEBAF о наилучшем способе восстановления после сбоя и смягчения его последствий в будущем. Однако эта экспертная оценка требует времени, которого у операторов нет, когда проводятся эксперименты.

В конце 2019 года Теннант и команда экспертов по ускорителям CEBAF приступили к созданию системы машинного обучения для выполнения этого обзора в в реальном времени .

Они работали с несколькими различными группами над разработкой и созданием с нуля специальной системы сбора данных для получения информации о характеристиках полости из цифровой низкоуровневой ВЧ-системы, которая установлена ​​на новейших секциях ускорителя частиц в CEBAF, что включает примерно одну пятую часть. полостей SRF в CEBAF. ВЧ-система низкого уровня постоянно измеряет поле в полостях SRF и настраивает сигнал для каждого из них, чтобы гарантировать их оптимальную работу.

Когда резонатор выходит из строя, система сбора данных машинного обучения извлекает 17 различных сигналов для каждого резонатора из цифровой низкоуровневой ВЧ-системы для анализа.

«Мы используем богатые информацией данные и превращаем их в полезную информацию», - сказал он.

Эти же богатые информацией данные используются ускоритель экспертов, которые помогут определитьдефектные полости и причины. Эти прошлые анализы использовались для обучения система машинного обучения перед развертыванием.

Новая система была установлена ​​и протестирована во время работы CEBAF в течение двух недель в начале марта 2020 года.

«За эти две недели у нас было несколько сотен сбоев, которые мы смогли проанализировать, и мы обнаружили, что наши модели машинного обучения были точными до 85%, для которых Полость Неисправна первой, а 78% - при определении типа ошибки , так что это примерно так же хорошо, как и один эксперт в предметной области, - пояснил Теннант.

Эта обратная связь почти в реальном времени означает, что операторы CEBAF могут незамедлительно принять меры для устранения проблем, возникающих в машине во время экспериментальных прогонов, и, надеюсь, предотвратить превращение мелких проблем в более крупные, что может сократить время выполнения экспериментов.

«Идея в том, что в конечном итоге экспертам в данной области не придется тратить все свое время на изучение самих данных для выявления неисправностей», - сказал он.

Следующим шагом для Теннанта и его команды является анализ данных второго и более длительного периода испытаний, который проводился в конце лета. Если система работает так, как показывает первый тест, команда надеется приступить к проектированию расширения системы с включением более старых полостей SRF в CEBAF.

Этот проект был первоначально предложен и профинансирован в рамках программы исследований и разработок лаборатории Джефферсона на финансовый год 2020 а позже он был выбран Министерством энергетики США для получения гранта в размере 135 миллиона долларов на использование машинного обучения для революционного изменения экспериментов и операций на объектах пользователей в ближайшие годы.

«Это был экспериментальный проект. Это было несколько более рискованно, потому что несколько лет назад, когда был предложен этот проект, никто из нас в команде ничего не знал о машинном обучении. Мы просто как бы вмешались», - сказал Теннант. «Так что иногда поддержка проектов с более высоким риском и более высоким вознаграждением действительно окупается».


Источник


У данной публикации еще нет комментариев. Хотите начать обсуждение?

Написать комментарий
Имя:*
E-Mail:
Введите код: *
Кликните на изображение чтобы обновить код, если он неразборчив


Поиск по сайту
Полезные ссылки
Оцените работу сайта

TEHNONEWS

Новости космоса технологий нанотехнологий физики и химии