Sieci neuronowe i metody uczenia maszynowego w modelowaniu i sterowaniu akceleratorów cząstek : wprowadzenie, ogólna charakterystyka systemów i polityki sterowania

• Autorzy: Bułka Sylwester

Identyfikatory

DOI

10.15199/13.2023.2.4

Warianty tytułu

EN

Neural Networks and Machine Learning for Modeling and Control of Particle Accelerators : Introduction, General Characteristics of Control Systems and Policy

• Języki publikacji: PL

Abstrakty

PL

W akceleratorach cząstek ma miejsce niezliczona ilość skomplikowanych i nieliniowych zjawisk fizycznych. Dodając do tego nieodłączne złożoności interakcji, które często obejmują wiele oddziałujących na siebie systemów, wykazują długoterminowe cykle procesowe i zmiany parametrów poszczególnych elementów maszyny w czasie. Ponadto, poza dużymi ośrodkami akceleratorowymi, zaangażowanie w nich na co dzień wysoko wykwalifikowanych operatorów i techników jest często ekonomicznie nieuzasadnione. Jednym ze sposobów sprostania tym wyzwaniom jest zastosowanie intensywnie udoskonalanych technik z dziedziny uczenia maszynowego (ML) i sztucznej inteligencji (AI) w projektowaniu systemów sterowania akceleratorami cząstek. W szczególności, dobrze sprawdzają się techniki oparte na sieciach neuronowych (NN) do modelowania, sterowania i analizy diagnostycznej złożonych systemów o zmiennych w czasie parametrach i systemów operujących na wielkiej ilości danych i metadanych. Techniki te mogą być stosowane w połączeniu z rzeczywistym obiegiem danych maszynowych, uwzględniając dodatkowo zakłócenia, zmienne opóźnienia, subtelne korelacje statystyczne i złożone efekty, które mogą nie być łatwo przewidziane z wyprzedzeniem. NN mogą być również przydatne w przypadkach gdzie dokładne dane z symulacji lub innych obliczeń wprawdzie są osiągalne, ale niektóre korelacje muszą być obliczane błyskawicznie w celu efektywnego wdrożenia nastaw w czasie rzeczywistym.

EN

Particle accelerators are host to many nonlinear and complex physical phenomena. They often involve a multitude of interacting systems, are subject to tight performance demands, and should be able to run for extended periods of time with minimal interruptions. Often times, traditional control techniques cannot fully meet these requirements. One promising avenue is to introduce machine learning and sophisticated control techniques inspired by artificial intelligence, particularly in light of recent theoretical and practical advances in these fields. Within machine learning and artificial intelligence, neural networks are particularly well-suited to modeling, control, and diagnostic analysis of complex, nonlinear, and time-varying systems, as well as systems with large parameter spaces. Consequently, the use of neural network-based modeling and control techniques could be of significant benefit to particle accelerators. One path toward meeting these challenges is the incorporation of recently improved techniques from the fields of machine learning (ML) and artificial intelligence (AI) into the design of control systems for particle accelerators. In particular, techniques based on neural networks (NNs) are well-suited to modeling, control, and diagnostic analysis of complex, time varying systems, and systems with large parameter spaces. These techniques can be used in conjunction with actual machine data, thereby accounting for noise, variable delays, subtle statistical correlations, and complex effects that may not be easily addressed a priori. NNs can also be useful in cases where accurate data from simulations or some other computationally intensive procedure is available, but the input-output relationship needs to be computed more rapidly for effective real-time deployment.

Słowa kluczowe

PL

akceleratory cząstek; sterowanie; sieci neuronowe; uczenie maszynowe

EN

particle accelerators; control; neural networks; machine learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2023
• Tom: Vol. 64, Nr 2
• Strony: 23--28
• Opis fizyczny: Bibliogr. 4 poz., fot.

Twórcy

autor

Bułka Sylwester

• Instytut Chemii i Techniki Jądrowej, Warszawa
• Wydział Elektroniki i Technik Informacyjnych Politechniki Warszawskiej, Instytut Systemów Elektronicznych

Bibliografia

• [1] Neural Networks for Modeling and Control of Particle Accelerators.
• [2] A. L. Edelen, Student Member, IEEE, S. G. Biedron, Senior Member, IEEE, B. E. Chase, Member, IEEE.
• [3] D. Edstrom Jr., S. V. Milton, Senior Member, IEEE, and P. Stabile, Member, IEEE.
• [4] IEEE Transactions on Nuclear Science, Vol. 63, No. 2, April 2016.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).