Wyniki wyszukiwania - BazTech

1

Sieci neuronowe i metody uczenia maszynowego w modelowaniu i sterowaniu akceleratorów cząstek : rozwój sieci neuronowych i przykład wdrożenia w systemie chłodzenia fotoinżektora w instalacji FAST

Bułka Sylwester

Elektronika : konstrukcje, technologie, zastosowania

|

2023

|

Vol. 64, Nr 3

33--39

PL

Akceleratory cząstek mogą być idealnym poligonem doświadczalnym dla technik opartych na sieciach neuronowych. Wiele wczesnych prób zastosowania sieci neuronowych w akceleratorach cząstek przyniosło mierne wyniki ze względu na względną niedojrzałość technologii do takich zadań. Opisano najnowsze postępy w technikach sieci neuronowych, omówiono niektóre obiecujące możliwości włączenia sieci neuronowych do systemów sterowania akceleratorami cząstek, opisano system sterowania rezonansem inżektora działa elektronowego w kompleksie Fermilab Accelerator Science and Technology (FAST) oraz scharakteryzowane szczegółowo niektóre zagadnienia techniczne istniejącego systemu w celu stworzenia projektu nowego systemu sterowania opartego na sieciach neuronowych.

EN

Particle accelerators can be an ideal test-beds for NN-based techniques. Many early attempts to apply neural networks to particle accelerators yielded mixed results due to the relative immaturity of the technology for such tasks. The recent advances in neural network techniques were described, some promising avenues for incorporating neural networks into particle accelerator control systems was discussed, a control system for resonance control of an RF electron gun at the Fermilab Accelerator Science and Technology (FAST) facility has been described and some detailed technical issues of an existing system characterized for new neural network-based control system design.

2

Sieci neuronowe i metody uczenia maszynowego w modelowaniu i sterowaniu akceleratorów cząstek : przykład wdrożenia kontrolera NN w systemie chłodzenia fotoinżektora w instalacji fast wieloparametrowa ocena wydajności

Bułka Sylwester

Elektronika : konstrukcje, technologie, zastosowania

|

2023

|

Vol. 64, Nr 4

28--34

PL

Głównym celem opisanych prac badawczych i wdrożeniowych, było opracowanie kontrolera opartego na sieciach neuronowych, dostosowującego ustawienia częstotliwości fali zasilającej wnękę działa elektronowego i mocy ogrzewacza HP tak, aby uzyskiwać żądaną częstotliwość rezonansową. Dodatkowo, jego zadaniem powinno być kontrolowanie szybkości, z jaką moc RF jest doprowadzana do wartości operacyjnej podczas włączania. Dla każdej kandydującej architektury modelu i zestawu danych wejściowych przeszkolono kilka indywidualnych sieci, a następnie przetestowano na zestawach wyselekcjonowanych danych. Ze względu na długie stałe czasowe przepływu wody powrotnej z działa i obecność dwóch zmiennych kontrolowanych, został wybrany schemat modelu sterowania predykcyjnego (Model Predictive Control - MPC), w którym model systemu i algorytmy optymalizacji są używane w celu określenia optymalnej sekwencji przyszłych działań kontrolera takich, że docelowy stan wyjścia zostanie osiągnięty w jakimś przyszłym horyzoncie czasowym, Taki schemat jest przydatny do kompensacji opóźnionego zachowania systemu. Ponadto, jeśli seria przyszłych nastaw jest znana z góry, sterownik może działać wyprzedzająco. Zaprezentowane zostały wyniki zarejestrowane w procesie regulacji. Rozważono możliwości modyfikacji i rozszerzeń sterownika tak, aby żądana operacyjna moc RF osiągana była bez znaczącego wzrostu mocy fali odbitej.

EN

The main goal of described research and implementation work was to develop a controller based on neural networks, adjusting frequency of RF power to the cavity of electron gun and the power of the heater to obtain the desired resonant frequency. In addition, its function should be to control the rate at which RF power is brought to operational value during power-up. For each candidate model architecture and input data set, several individual networks were trained and then tested on selected data sets. Due to the long-time constants of the return water flow from the gun and the presence of two controlled variables, a Model Predictive Control (MPC) scheme was chosen, where the system model and optimization algorithms are used to determine the optimal sequence of future controller actions such as the target output state will be reached in determined time horizon. Such a scheme is useful for compensation of delayed systems performance. In addition, if a series of future settings are known in advance, the controller can act with prediction. The results recorded during regulation process were presented. Possibilities of modifications and extensions of the controller were considered so that the required operational RF power was achieved without a significant increase in the reflected wave power.

3

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

Bułka Sylwester

Elektronika : konstrukcje, technologie, zastosowania

|

2023

|

Vol. 64, Nr 2

23--28

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.

4

Akceleratory dla społeczeństwa : TIARA 2012

Romaniuk R. S.

Elektronika : konstrukcje, technologie, zastosowania

|

2013

|

Vol. 54, nr 3

108-112

PL

TIARA jest Europejskim Konsorcjum Techniki Akceleratorowej, które poprzez prowadzenie projektów badawczych, technicznych, sieciowych i infrastrukturalnych ma doprowadzić do integracji środowiska naukowo-technicznego oraz zasobów materialnych w skali całej Europy. Konsorcjum gromadzi wszystkie ośrodki europejskie posiadające dużą infrastrukturę akceleratorową. Pozostałe ośrodki, jak np. uniwersytety, są afiliowane jako członkowie stowarzyszeni. TIARA-PP (faza przygotowawcza) jest projektem europejskim prowadzonym przez Konsorcjum i wykonywanym w ramach EU FP7. W artykule przedstawiono ogólny zakres działań Konsorcjum TIARA, poprzedzając to portretem współczesnej techniki akceleratorowej oraz przeglądem jej zastosowań w nowoczesnym społeczeństwie.

EN

TIARA is an European Collaboration of Accelerator Technology, which by running research projects, technical, networks and infrastructural has a duty to integrate the research and technical communities and infrastructures in the global scale of Europe. The Collaboration gathers all research centers with large accelerator infrastructures. Other ones, like universities, are affiliated as associate members. TIARA-PP (preparatory phase) is an European infrastructural project run by this Consortium and realized inside EU-FP7. The paper presents a general overview of TIARA activities, with an introduction containing a portrait of contemporary accelerator technology and a digest of its applications in modern society.