• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Física
    El aprendizaje automático mejora el diagnóstico del acelerador de partículas

    La instalación del acelerador de haz de electrones continuo, una instalación de usuario del DOE, cuenta con un acelerador de partículas único que los físicos nucleares utilizan para explorar el corazón de la materia. Crédito:Laboratorio Jefferson del DOE

    Los operadores del acelerador de partículas primario en la Instalación del Acelerador Nacional Thomas Jefferson del Departamento de Energía de EE. UU. Están obteniendo una nueva herramienta para ayudarlos a abordar rápidamente los problemas que pueden evitar que funcione sin problemas. Un nuevo sistema de aprendizaje automático pasó su primera prueba de dos semanas, identificando correctamente los componentes del acelerador con fallas y el tipo de fallas que están experimentando casi en tiempo real.

    Recientemente se publicó un análisis de los resultados de la primera prueba de campo del sistema de aprendizaje automático personalizado en Vigas y aceleradores de revisión física .

    La instalación del acelerador de haz de electrones continuo, una instalación de usuario del DOE, cuenta con un acelerador de partículas único que los físicos nucleares utilizan para explorar el corazón de la materia. CEBAF funciona con cavidades de radiofrecuencia superconductoras, que son estructuras que permiten al CEBAF impartir energía a haces de electrones para experimentos.

    "El corazón de la máquina son estas cavidades SRF, y muy a menudo, estos se dispararán. Cuando tropiezan nos gustaría saber cómo responder a esos viajes. El truco es comprender más sobre el viaje:qué cavidad se ha disparado y qué tipo de falla fue, "dijo Chris Tennant, un científico del personal de Jefferson Lab en el Centro de Estudios Avanzados de Aceleradores.

    Los científicos expertos en aceleradores revisan la información sobre estas fallas y pueden usarla para determinar dónde comenzó la falla y qué tipo de falla es. informando así a los operadores del CEBAF sobre la mejor manera de recuperarse de la falla y mitigar las futuras. Sin embargo, que la revisión de expertos lleva un tiempo que los operadores no tienen cuando los experimentos están en marcha.

    A finales de 2019, Tennant y un equipo de expertos en aceleradores CEBAF se propusieron construir un sistema de aprendizaje automático para realizar esa revisión en tiempo real.

    Trabajaron con varios grupos diferentes para diseñar y construir desde cero un sistema de adquisición de datos personalizado para extraer información sobre el rendimiento de la cavidad de un sistema de RF digital de bajo nivel que está instalado en las secciones más nuevas del acelerador de partículas en CEBAF. que incluye aproximadamente una quinta parte de las cavidades SRF en CEBAF. El sistema de RF de bajo nivel mide constantemente el campo en las cavidades SRF y ajusta la señal de cada una para garantizar que funcionen de manera óptima.

    Cuando una cavidad falla, el sistema de adquisición de datos de aprendizaje automático extrae 17 señales diferentes para cada cavidad del sistema de RF digital de bajo nivel para su análisis.

    "Aprovechamos los datos ricos en información y los convertimos en información procesable, " él dijo.

    Los expertos en aceleradores utilizan estos mismos datos ricos en información para ayudar a identificar cavidades y causas con fallas. Estos análisis anteriores se utilizaron para entrenar el sistema de aprendizaje automático antes de la implementación.

    El nuevo sistema se instaló y probó durante las operaciones del CEBAF durante un período inicial de dos semanas a principios de marzo de 2020.

    "Durante esas dos semanas, teníamos unos cientos de fallas que pudimos analizar, y descubrimos que nuestros modelos de aprendizaje automático tenían una precisión del 85% en la que la cavidad fallaba primero y el 78% en la identificación del tipo de falla, así que esto es tan bueno como un solo experto en la materia, "Explicó Tennant.

    Esta retroalimentación casi en tiempo real significa que los operadores de CEBAF pueden tomar medidas inmediatas para mitigar los problemas que surgen en la máquina durante las ejecuciones experimentales. y, con suerte, evitar que los problemas más pequeños se conviertan en problemas más grandes que puedan reducir el tiempo de ejecución de los experimentos.

    "La idea es eventualmente, los expertos en la materia no necesitarán dedicar todo su tiempo a examinar los datos por sí mismos para identificar fallas, " él dijo.

    El siguiente paso para Tennant y su equipo es analizar los datos de un segundo y más largo período de prueba que tuvo lugar a fines del verano. Si el sistema funcionó tan bien como indica la primera prueba, el equipo espera comenzar los diseños para extender el sistema para incluir cavidades SRF más antiguas en CEBAF.

    Este proyecto fue propuesto y financiado originalmente a través del programa de Investigación y Desarrollo Dirigido por Laboratorio de Jefferson Lab para el año fiscal 2020, y luego fue seleccionado por DOE para una subvención de $ 1.35 millones para aprovechar el aprendizaje automático para revolucionar la experimentación y las operaciones en las instalaciones de los usuarios en los próximos años.

    "Este fue un proyecto de prueba de principio. Era algo más arriesgado, porque hace varios años, cuando se propuso este proyecto, ninguno de los miembros del equipo sabía nada sobre el aprendizaje automático. Como que simplemente saltamos, "Dijo Tennant." Entonces, a veces, el apoyo a esos proyectos de mayor riesgo / mayor recompensa realmente vale la pena ".


    © Ciencia https://es.scienceaq.com