Maskinlæring forbedrer partikelacceleratordiagnostik

Operatører af den primære partikelaccelerator ved det amerikanske energiministeriums Thomas Jefferson National Accelerator Facility får et nyt værktøj til at hjælpe dem med hurtigt at løse problemer, der kan forhindre det i at køre problemfrit. Et nyt maskinlæringssystem har bestået sin første to-ugers test, korrekt identifikation af glitchy acceleratorkomponenter og typen af ​​fejl, de oplever i næsten realtid.

En analyse af resultaterne af den første felttest af det specialbyggede maskinlæringssystem blev for nylig offentliggjort i Physical Review Acceleratorer og Beams .

Den kontinuerlige elektronstråleacceleratorfacilitet, en DOE-brugerfacilitet, har en unik partikelaccelerator, som kernefysikere bruger til at udforske stoffets kerne. CEBAF er drevet af superledende radiofrekvenskaviteter, som er strukturer, der gør CEBAF i stand til at give energi til elektronstråler til eksperimenter.

"Hjertet i maskinen er disse SRF-hulrum, og ret ofte, disse vil snuble. Når de rejser, vi vil gerne vide, hvordan vi skal reagere på disse ture. Tricket er at forstå mere om turen:hvilket hulrum der er udløst, og hvilken slags fejl det var, " sagde Chris Tennant, en Jefferson Lab-medarbejder i Center for Advanced Studies of Accelerators.

Ekspert accelerator videnskabsmænd gennemgår oplysninger om disse fejl og kan bruge dem til at bestemme, hvor fejlen startede, og hvilken type fejl det er, dermed informere CEBAF operatører om den bedste måde at komme sig over fejlen og afbøde fremtidige. Imidlertid, at ekspertgennemgang tager tid, som operatører ikke har, når eksperimenter er i gang.

I slutningen af ​​2019, Tennant og et team af CEBAF-acceleratoreksperter satte sig for at bygge et maskinlæringssystem til at udføre denne gennemgang i realtid.

De arbejdede med flere forskellige grupper for at designe og bygge fra bunden af ​​et brugerdefineret dataopsamlingssystem for at hente information om kavitets ydeevne fra et digitalt lav-niveau RF-system, der er installeret på de nyeste sektioner af partikelacceleratoren i CEBAF, som omfatter omkring en femtedel af SRF-hulrummene i CEBAF. RF-systemet på lavt niveau måler konstant feltet i SRF-hulrum og justerer signalet for hver enkelt for at sikre, at de fungerer optimalt.

Når et hulrum fejler, maskinlæringsdataopsamlingssystemet trækker 17 forskellige signaler for hvert hulrum fra det digitale lavniveau RF-system til analyse.

"Vi udnytter informationsrige data og omdanner dem til brugbar information, " han sagde.

Disse samme informationsrige data bruges af acceleratoreksperter til at hjælpe med at identificere defekte hulrum og årsager. Disse tidligere analyser blev brugt til at træne maskinlæringssystemet før implementering.

Det nye system blev installeret og testet under CEBAF-operationer over en første to-ugers periode i begyndelsen af ​​marts 2020.

"I de to uger, vi havde et par hundrede fejl, som vi var i stand til at analysere, og vi fandt ud af, at vores maskinlæringsmodeller var nøjagtige til 85 %, for hvilke hulrum fejlede først, og 78 % ved identifikation af fejltypen, så dette er omtrent lige så godt som en enkelt emneekspert, " Forklarede Tennant.

Denne feedback i næsten realtid betyder, at CEBAF-operatører kan tage øjeblikkelige skridt for at afbøde problemer, der opstår i maskinen under eksperimentelle kørsler, og forhåbentlig forhindrer mindre problemer i at blive til større, hvilket kan reducere eksperimenternes køretid.

"Idéen er i sidste ende, fageksperterne behøver ikke bruge al deres tid på selv at se på dataene for at identificere fejl, " han sagde.

Det næste skridt for Tennant og hans team er at analysere data fra en anden og længere testperiode, der fandt sted i sensommeren. Hvis systemet udførte så godt som den første test indikerer, holdet håber at begynde designs til at udvide systemet til at omfatte ældre SRF-hulrum i CEBAF.

Dette projekt blev oprindeligt foreslået og finansieret gennem Jefferson Labs Laboratory Directed Research &Development-program for regnskabsåret 2020, og det blev senere udvalgt af DOE til et tilskud på 1,35 millioner dollars til at udnytte maskinlæring til at revolutionere eksperimenter og drift på brugerfaciliteter i de kommende år.

"Dette var et proof-of-principle-projekt. Det var noget mere risikabelt, fordi for flere år siden, da dette projekt blev foreslået, ingen af ​​os på holdet vidste noget om maskinlæring. Vi hoppede ligesom i, " sagde Tennant. "Så, nogle gange betaler det sig virkelig at støtte disse projekter med højere risiko/højere belønning."