AI-algoritme holder en kilometer lang partikelaccelerator sund

Partikelacceleratorer er blandt de mest indviklede videnskabelige instrumenter, der nogensinde er udtænkt. Med millioner af sensorer og tusindvis af undersystemer, der risikerer at fejle, skal disse acceleratorers menneskelige operatører løbende overvåge ydeevnen og finkæmme et hav af sensorer for at identificere problemer. Det er situationen på Linac Coherent Light Source, en Department of Energy-brugerfacilitet ved SLAC National Accelerator Laboratory.

Forskere har nu udviklet en kunstig intelligens (AI) algoritme, der efterligner, hvordan menneskelige operatører nærmer sig denne udfordring. Det automatiserede system holder øje med speederen. Den advarer operatører, når ydeevnen falder, og identificerer det specifikke undersystem, der er ansvarligt. Dette kan forenkle acceleratordriften, reducere nedetiden og forbedre de videnskabelige data, som disse værktøjer indsamler. Forskningen blev offentliggjort i Physical Review Accelerators and Beams .

Den automatiserede AI-løsning viser SLAC-operatører, hvilke komponenter der skal slukkes og udskiftes for at holde en accelerator kørende døgnet rundt. Forbedret pålidelighed holder også flere delsystemer online. Dette gør det muligt for speederen at nå sin fulde driftskapacitet. Denne AI-tilgang kan gavne mange komplekse systemer. For eksempel kan det forbedre pålideligheden i andre eksperimentelle faciliteter, avancerede produktionsanlæg, elnettet og atomkraftværker.

Moderne acceleratorer registrerer millioner af datastrømme, alt for mange signaler til, at et lille driftsteam kan overvåge dem i realtid og pålideligt undgå subsystemfejl, der fører til dyr nedetid. For eksempel i Linac Coherent Light Source, en af ​​verdens første røntgenlasere, er fejl i radiofrekvensstationerne (RF), der accelererer elektronerne, en primær årsag til nedetid og fald i ydeevnen.

En eksisterende automatiseret algoritme forsøger at identificere RF-stationsproblemer, men næsten 70 % af algoritmens forudsigelser er falske positiver, og operatører tyer til manuel inspektion for at identificere RF-stationsanomalier.

Inspireret af operatørerne kører AI-metoden samtidig anomalidetektionsalgoritmer på både RF-stationsdiagnostik og shot-to-shot målinger af den endelige strålekvalitet. En fejl forudsiges kun, når begge algoritmer samtidig identificerer anomalier. Denne tilgang – som nu er indbygget i kontrolrummet – kan være fuldstændig automatiseret og identificerer flere hændelser med færre falske positive end RF-stationsdiagnostik alene.

Nyligt patentanmeldt arbejde har udvidet tilfældighedskonceptet til deep-learning algoritmer, såsom neurale netværk, som kan identificere fejl på rå, umærkede data uden ekspertinput. Forskere forventer, at disse maskinlæringsdrevne algoritmer har brede anvendelser i komplekse systemer på tværs af videnskab og industri.

Flere oplysninger: Ryan Humble et al., Beam-based rf station fejlidentifikation ved SLAC Linac Coherent Light Source, Physical Review Accelerators and Beams (2022). DOI:10.1103/PhysRevAccelBeams.25.122804

Leveret af det amerikanske energiministerium