托马斯·杰斐逊国家加速器设施 连续电子束加速器设施是美国能源部的一个用户设施,其特点是拥有一个独特的粒子加速器,核物理学家用它来探索物质的核心
信用:能源部的杰斐逊实验室 美国一级粒子加速器的操作员
S
能源部的托马斯·杰斐逊国家加速器设施正在获得一种新工具,以帮助他们快速解决可能阻碍其顺利运行的问题
一种新的机器学习系统已经通过了第一次为期两周的测试,能够近乎实时地正确识别故障加速器组件和它们正在经历的故障类型
对定制机器学习系统的第一次现场测试结果的分析最近发表在《物理评论加速器和光束》上
连续电子束加速器设施是美国能源部的一个用户设施,其特点是拥有一个独特的粒子加速器,核物理学家用它来探索物质的核心
CEBAF由超导射频腔提供能量,这种结构使CEBAF能够将能量传递给实验用的电子束
“机器的核心是这些SRF空腔,而且经常会跳闸
当他们旅行时,我们想知道如何应对这些旅行
关键是要对这次旅行有更多的了解:哪个空腔绊倒了,是什么样的错误,”克里斯·滕南特说,他是杰弗逊实验室加速器高级研究中心的科学家
专家加速器科学家审查关于这些故障的信息,并利用这些信息来确定故障从哪里开始以及是什么类型的故障,从而告知CEBAF运营商从故障中恢复并减轻未来故障的最佳方式
然而,这种专家评审需要时间,而操作人员在进行实验时却没有时间
2019年末,滕南特和一组CEBAF加速器专家着手构建一个机器学习系统,以实时执行该审查
他们与几个不同的团队合作,从零开始设计和构建一个定制的数据采集系统,从安装在CEBAF粒子加速器最新部件上的数字低电平射频系统中提取腔体性能信息,该系统包括CEBAF大约五分之一的固体火箭发动机腔体
低电平射频系统不断测量超低频腔中的磁场,并调整每个腔的信号,以确保它们最佳运行
当腔体出现故障时,机器学习数据采集系统从数字低电平射频系统中为每个腔体提取17个不同的信号进行分析
“我们正在利用信息丰富的数据,并将其转化为可操作的信息,”他说
加速器专家使用这些同样信息丰富的数据来帮助识别断层空洞和原因
这些过去的分析被用来在部署之前训练机器学习系统
新系统于2020年3月初在CEBAF运营期间安装并测试,最初为期两周
滕南特解释说:“在那两周内,我们分析了几百个故障,我们发现我们的机器学习模型对哪个腔首先出现故障的准确率为85%,对故障类型的识别准确率为78%,所以这就相当于一个单一的主题专家。”
这种近乎实时的反馈意味着CEBAF操作人员可以立即采取措施来缓解实验运行期间机器出现的问题,并有望防止较小的问题变成较大的问题,从而减少实验运行时间
“这个想法是,最终,主题专家不需要花费所有的时间来查看数据本身来识别错误,”他说
滕南特和他的团队的下一步是分析夏末第二次更长时间的测试数据
如果该系统的性能与第一次测试显示的一样好,该团队希望开始设计扩展该系统,以包括CEBAF的旧的固体火箭发动机腔体
该项目最初是由杰弗逊实验室2020财年的实验室指导研发计划提出并资助的,后来被美国能源部以1美元的价格选中
3,500万英镑赠款,用于利用机器学习在未来几年彻底改变用户设施的实验和操作
“这是一个原则证明项目
这有点冒险,因为几年前,当这个项目被提出的时候,我们团队中没有一个人了解机器学习
我们只是跳了进去,”滕南特说
“所以,有时候支持那些高风险/高回报的项目真的会有回报
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!