光束线定向的机器学习
通过一系列机器学习模型,使用自建的基于 VGG16 模型的卷积神经网络进行传输训练,将中间层的输出作为特征传递给支持向量回归模型,从而精确确定自由电子激光束在屏幕上的位置,并在测试数据上达到 85.8%的正确预测。
Aug, 2023
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
本文通过多臂老虎机框架,提出了一种在线学习算法,用于选择和优化天线成对的方向,以最大化功率角谱在该位置上的峰值,并在较短的时间步数内实现与无遗漏搜索相当的性能。
Sep, 2018
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。
May, 2023
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
应用机器学习技术对 X 射线散射实验进行自动解释和实时数据分析,并将机器学习与封闭式回路工作流程相结合,以生长有机薄膜为例,采用 X 射线反射测量进行自动控制。
Jun, 2023
本文提出了一种基于机器学习的高效量子纠缠检测方案,用于检测任意的两比特量子态的可操纵性,仅需在少数测量方向上进行测量,该方法在速度和准确度方面优于现有方法。
Mar, 2019
该研究提出了一种基于 C-LSTM 的全面可训练的人工神经网络模型,用于根据前置摄像头数据流和关联的车辆转向角度学习驾驶的视觉和动态时间依赖关系。同时,将转向角度回归问题作为分类问题,并在输出层神经元之间施加一定的空间关系,从而通过学习编码转向角度的正弦函数的方法来进行转向预测,该方法在公开数据集 Comma.ai 上验证,相较于现有方法,平均根均方误差提升了 35%,转向更为稳定。
Oct, 2017
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