Forskere model accelerator magneter historie ved hjælp af maskinlæringstilgang

Efter en lang arbejdsdag kan du føle dig træt eller opstemt. Uanset hvad er du påvirket af, hvad der skete med dig tidligere.

Acceleratormagneter er ikke anderledes. Hvad de gik igennem – eller hvad der gik igennem dem, som en elektrisk strøm – påvirker, hvordan de vil præstere i fremtiden.

Uden at forstå en magnets fortid skal forskere muligvis nulstille den fuldstændigt, før de starter et nyt eksperiment, en proces, der kan tage 10 eller 15 minutter. Nogle acceleratorer har hundredvis af magneter, og processen kan hurtigt blive tidskrævende og dyr.

Nu har et team af forskere fra Department of Energy's SLAC National Accelerator Laboratory og andre institutioner udviklet en kraftfuld matematisk teknik, der bruger koncepter fra maskinlæring til at modellere en magnets tidligere tilstande og lave forudsigelser om fremtidige tilstande. Denne nye tilgang eliminerer behovet for at nulstille magneterne og resulterer i forbedringer i acceleratorens ydeevne med det samme.

"Vores teknik ændrer fundamentalt, hvordan vi forudsiger magnetiske felter inde i acceleratorer, hvilket kan forbedre ydeevnen af ​​acceleratorer over hele verden," sagde SLAC-associeret videnskabsmand Ryan Roussel. "Hvis historien om en magnet ikke er velkendt, vil det være vanskeligt at træffe fremtidige kontrolbeslutninger for at skabe den specifikke stråle, som du har brug for til et eksperiment."

Holdets model ser på en vigtig egenskab ved magneter kendt som hysterese, som kan opfattes som resterende (eller resterende) magnetisme. Hysterese er som det resterende varme vand i dine bruserrør, efter du har slukket for det varme vand. Dit brusebad bliver ikke med det samme koldt – det varme vand, der er tilbage i rørene, skal strømme ud af brusehovedet, før der kun er koldt vand tilbage.

"Hysterese gør tuning af magneter udfordrende," sagde SLAC-associeret videnskabsmand Auralee Edelen. "De samme indstillinger i en magnet, som resulterede i en strålestørrelse i går, kan resultere i en anden strålestørrelse i dag på grund af virkningen af ​​hysterese."

Teamets nye model fjerner behovet for at nulstille magneter så ofte og kan gøre det muligt for både maskinoperatører og automatiserede tuning-algoritmer hurtigt at se deres nuværende tilstand, hvilket gør det, der engang var usynligt, synligt, sagde Edelen.

For ti år siden behøvede mange acceleratorer ikke at overveje følsomhed over for hysteresefejl, men med mere præcise faciliteter som SLAC's LCLS-II, der kommer online, er forudsigelse af resterende magnetisme mere kritisk end nogensinde, sagde Roussel.

Hysteresemodellen kunne også hjælpe mindre acceleratorfaciliteter, som måske ikke har så mange forskere og ingeniører til at nulstille magneter, med at køre eksperimenter med højere præcision. Holdet håber at implementere metoden på tværs af et komplet sæt af magneter på en accelerator facilitet og demonstrere en forbedring i prædiktiv nøjagtighed på en operationel accelerator. + Udforsk yderligere

En ny maskinlæringsmetode strømliner partikelacceleratordrift