May, 2023

基于趋势的超导直线加速器零次注入束流控制方法

PDF
TL;DR该论文提出了一种基于趋势的软演员 - 评论家 (TBSAC) 束流控制方法，该方法在模拟环境下训练代理人，并直接应用于实际的超导线性加速器中，以实现优化束流效率的任务。通过两种不同的典型任务的实验验证，该方法显示出与熟练的人类专家相同的标准，从而表明其在未来应用于其他加速器调试领域是有潜力的。
发现论文，激发创造
  • 自由电子激光器的贝叶斯优化

    本文采用贝叶斯方法和高斯过程对 Linac Coherent Light Source 中的多极磁铁进行优化，通过对少量样本的控制参数建立概率模型并加入设备间的关联，成功实现了高效的优化策略。

    Sep, 2019

  • 基于贝叶斯算法执行和虚拟目标的粒子加速器发射度的高效调整

    通过 Bayesian Algorithm Execution 模拟多个点的查询模型，从样本测量中计算出发射度目标函数，优化多点请求加速器发射度。

    Sep, 2022

  • 光束线定向的机器学习

    利用深度神经网络模型提供助力，研究了粒子加速器中束流定向校准问题，结果表明深度学习模型的性能与经过训练的人工操作员相比。

    Nov, 2023

  • 利用 LSTM 深度学习技术实现加速器粒子轨道异常检测

    发展了一种基于机器学习的故障检测方法，利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值，当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验，结果表明，使用单个轨道锁定控制系统组件的监测数据，我们的解决方案可以识别出 68.6%-89.3% 的实际异常，准确率可以高达 82%。

    Jan, 2024

  • 粒子加速器中时间序列分类和预测的新方法

    利用时间序列分类方法对高强度质子加速器的中断事件进行预测，通过二元分类多元时间序列的窗口来减少光束时间损失。通过将时间序列转换为复现图并使用卷积神经网络进行分类，使得分类器的性能得到了提高。最佳分类器的 ROC 曲线下面积值为 0.71，相对于随机森林模型的 0.65，可以潜在地减少每次中断 0.5 秒的光束时间损失。

    Feb, 2021

  • Fermilab Booster 加速器控制实时人工智能研究

    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。

    Nov, 2020

  • 欧洲 XFEL 电子管自动异常检测

    为探索通过机器学习研究速调管的行为，我们完成了一系列实验，确定了各种操作模式，并进行了特征提取和降维，以提取有关正常运行的最有价值信息，使用先进的数据驱动学习技术分析记录的数据，识别可能有助于更好地理解速调管运行状态并及早发现故障或异常的最有前途的组件。

    May, 2024

  • 多臂老虎机中利用纯探索快速进行波束对准

    利用多臂老虎机的前置探索方法，提出了一种基于自相关和异方性的快速 beam 对齐算法，通过聚类后对 beam 集合中的 beam 进行快速对齐。该算法在毫米波通信系统中，具有显著优越性。

    Oct, 2022

  • 自主载荷热控制

    通过利用卫星间越来越智能化的优势，提出了一种基于深度强化学习和软优势演员 - 评论家算法的框架来学习卫星上的热控策略，实验证明该框架能够学习控制处理功率以维持温度在操作范围内，并补充传统的热控系统。

    Jul, 2023

  • 微反应器中的多步临界性搜索和功率整形的强化学习

    通过使用深度强化学习技术，本研究在核微堆设计的高保真模拟中使用 PPO 和 A2C 算法，训练智能控制代理器以寻找最佳控制策略，以降低运营和维护成本，并实现自主运行。

    Jun, 2024