新型机器学习系统提升了粒子加速器的诊断能力

美国能源部托马斯-杰斐逊国家加速器为其主要设施–连续电子束加速器设施(CEBAF)的操作人员配备了一个新的工具,以帮助他们快速解决任何可能出现的问题。在初步测试中,该工具成功地利用机器学习,近乎实时地识别出有故障的加速器组件及其产生的故障。

现场测试的结果发表在《Physical Review Accelerators and Beams》杂志上。

CEBAF的机器学习测试

CEBAF是能源部的一个用户设施,它拥有一个独特的粒子加速器,用于探索核物质的基本结构。

由超导射频(SRF)腔体提供动力,CEBAF也不能幸免于运行问题。机器的核心是这些SRF腔体,而这些腔体经常会跳闸。

2019年底,Tennant和CEBAF加速器专家团队着手建立一个机器学习系统,可以实时进行审查。

他们定制的数据采集系统从安装在CEBAF粒子加速器最新部分中的数字低级RF系统中提取有关腔体性能的信息。

低电平射频系统不断测量SRF腔体中的磁场,并对每个腔体的信号进行调整,以确保最佳运行。

高效的粒子加速器诊断

新的机器学习系统在2020年3月初的两周测试期间,在CEBAF运行期间进行安装和测试。

研究人员表示:在这两周内有几百个故障,通过机器学习系统实时分析发现机器学习模型对于哪个腔体先发生故障的准确率达到了85%,对于识别故障类型的准确率达到了78%,所以这和主题专家的水平差不多。”

近乎实时的反馈让CEBAF的操作人员能够在实验运行过程中迅速做出缓解机器出现问题的决定。获取更多前沿科技信息 访问:https://byteclicks.com

最终的想法是,主题专家将不需要花费所有时间自己查看数据来识别故障。

Tennant和他的团队的下一步是分析第二个更长测试周期的数据。一切顺利的话,他们的目标是开始新的设计,将机器学习系统扩展到CEBAF中的老式SRF腔体。

机器学习提升粒子加速器的诊断能力,新型机器学习工具正在CEBAF进行初步测试

上一篇:

下一篇:


标签