Los aceleradores de partículas se encuentran entre los instrumentos científicos más complejos jamás ideados. Con millones de sensores y miles de subsistemas en riesgo de fallar, los operadores humanos de estos aceleradores deben monitorear continuamente el desempeño y revisar un mar de sensores para identificar problemas. Esa es la situación en Linac Coherent Light Source, una instalación para usuarios del Departamento de Energía en el Laboratorio Nacional del Acelerador SLAC.
Los investigadores han desarrollado ahora un algoritmo de inteligencia artificial (IA) que imita cómo los operadores humanos abordan este desafío. El sistema automatizado vigila el acelerador. Alerta a los operadores cuando el rendimiento baja e identifica el subsistema específico responsable. Esto puede simplificar el funcionamiento del acelerador, reducir el tiempo de inactividad y mejorar los datos científicos que recopilan estas herramientas. La investigación fue publicada en Physical Review Accelerators and Beams .
La solución automatizada de IA muestra a los operadores de SLAC qué componentes deben apagarse y reemplazarse para mantener el acelerador funcionando las 24 horas del día. La confiabilidad mejorada también mantiene más subsistemas en línea. Esto permite que el acelerador alcance su plena capacidad operativa. Este enfoque de IA podría beneficiar a muchos sistemas complejos. Por ejemplo, podría mejorar la confiabilidad en otras instalaciones experimentales, plantas de fabricación avanzada, la red eléctrica y plantas de energía nuclear.
Los aceleradores modernos registran millones de flujos de datos, demasiadas señales para que un pequeño equipo de operaciones las pueda monitorear en tiempo real y evitar de manera confiable fallas en el subsistema que provocan costosos tiempos de inactividad. Por ejemplo, en Linac Coherent Light Source, uno de los primeros láseres de rayos X del mundo, las fallas en las estaciones de radiofrecuencia (RF) que aceleran los electrones son la principal causa de tiempo de inactividad y caídas en el rendimiento.
Un algoritmo automatizado existente intenta identificar problemas en las estaciones de RF, pero casi el 70 % de las predicciones del algoritmo son falsos positivos y los operadores recurren a la inspección manual para identificar anomalías en las estaciones de RF.
Inspirado por los operadores, el método de IA ejecuta simultáneamente algoritmos de detección de anomalías tanto en el diagnóstico de la estación de RF como en las mediciones de la calidad final del haz entre disparos. Se predice una falla solo cuando ambos algoritmos identifican anomalías simultáneamente. Este enfoque, ahora incorporado en la sala de control, puede automatizarse completamente e identifica más eventos con menos falsos positivos que el diagnóstico de la estación de RF por sí solo.
Un trabajo reciente, pendiente de patente, ha extendido el concepto de coincidencia a algoritmos de aprendizaje profundo, como las redes neuronales, que pueden identificar fallas en datos sin procesar y sin etiquetar sin la participación de expertos. Los investigadores esperan que estos algoritmos impulsados por el aprendizaje automático tengan amplias aplicaciones en sistemas complejos en la ciencia y la industria.
Más información: Ryan Humble et al, Identificación de fallas de estaciones de RF basadas en haces en la fuente de luz coherente SLAC Linac, Vigas y aceleradores de revisión física (2022). DOI:10.1103/PhysRevAccelBeams.25.122804
Proporcionado por el Departamento de Energía de EE. UU.
