Nov, 2020

Fermilab Booster 加速器控制实时人工智能研究

PDF
TL;DR使用强化学习方法训练的神经网络精确调节 Fermilab Booster 加速器复合体的梯度磁铁电源，展示了使用代理机器学习模型模拟 Booster 环境进行训练的初步结果，并演示了如何将神经网络编译为可执行于现场可编程逻辑门阵列的部署能力，这种能力对于复杂环境如加速器设施的操作稳定性至关重要。
发现论文，激发创造
  • 经过深度强化学习训练的人工神经网络发现主动流控制策略

    本研究首次应用了一个通过深度强化学习进行训练的人工神经网络来执行主动流控，该网络成功地在研究卡曼涡街时减少了大约 8％的阻力，并使用小的质量流速。

    Aug, 2018

  • 学习鲁棒和高精度的量子控制

    本文展示了可以将时间有序的量子演化视作层次有序的神经网络，并将鲁棒控制看作是训练高度泛化的神经网络，利用批处理优化技巧使优化的结果能够显着提高控制的鲁棒性和保持高保真度。

    Nov, 2018

  • 朝着实用的托卡马克磁控制强化学习

    通过算法改进与训练程序的提升，我们在等离子体磁控制领域为强化学习方法解决了主要问题，包括提高对所需等离子体特性的控制准确性，减小了稳态误差，以及缩短了学习新任务所需的时间。我们的模拟结果显示形状准确性提高了 65％，等离子体电流的长期偏差大幅减少，并且学习新任务的培训时间缩短了 3 倍或更多。在瑞士磁约束实验装置上进行的实验验证了这些模拟结果，并指引了通过强化学习方法定期实现精确放电的方向。

    Jul, 2023

  • 基于神经网络的量子反馈强化学习

    本研究展示了利用神经网络强化学习在量子纠错任务中独立发现量子纠错策略的能力，并提出了包括二阶段学习和反馈优化在内的策略。这项工作不仅在量子计算方面具有重要作用，还显示了神经网络强化学习在物理学领域的潜力。

    Feb, 2018

  • 通过深度强化学习实现通用量子控制

    提出一种新的量子控制框架，通过在强化学习智能体的训练环境中加入控制噪声，利用强化学习技术优化量子计算的速度和保真度以及对泄漏和随机控制误差的抗扰性，最终取得了一定的优化成果。

    Mar, 2018

  • 使用振幅神经网络优化强子对撞机模拟

    本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究，比较其与传统模拟技术的效果可以实现模拟时间缩短，且在标准观测方面有很好的一致性。

    Feb, 2022

  • 使用神经形态自适应控制算法进行机械臂的时间域学习

    通过使用基于脉冲神经网络的自适应控制算法，本文探讨了机器人手臂学习其可到达位置（包括干扰）的能力，演示了这种自适应控制算法使得机器人手臂可以在新的动态环境下学习并更快地完成任务，同时保持了能源效率。

    Oct, 2022

  • 使用深度强化学习进行电网运行的自主电压控制

    本文提出了一种新的范式 Grid Mind，使用深度强化学习进行自主电网运行控制。 通过与大规模离线模拟的交互，所提出的人工智能代理可以学习其控制策略，并适应包括负荷 / 发电变化以及拓扑变化在内的新变化，然后在 IEEE 14 总线系统上进行了测试，并展示了在运用自主电压控制进行安全电网运行方面的良好表现。

    Apr, 2019

  • 使用强化学习规则进行自学习的超导神经形态电路

    使用超导硬件实现了一套基于强化学习的局部权重更新规则，并通过 SPICE 电路模拟实现了一个小规模神经网络，学习时间约为一纳秒。这个实现中，权重根据整体网络响应的当前状态和先前动作的本地存储信息进行调整，无需外部调整。

    Apr, 2024

  • 使用神经微分方程和强化学习的托卡马克放电阶段的主动干扰避免和轨迹设计

    通过混合物理学和机器学习模型，在训练环境中使用增强学习，成功地降低等离子体电流同时避免干扰，为托卡马克等离子体研究提供安全可靠的路径。

    Feb, 2024