Exploitanten van de primaire deeltjesversneller bij de Thomas Jefferson National Accelerator Facility van het Amerikaanse ministerie van Energie krijgen een nieuwe tool om snel problemen aan te pakken die ervoor kunnen zorgen dat deze niet soepel verloopt. Een nieuw machine learning-systeem heeft zijn eerste test van twee weken doorstaan, het correct identificeren van glitchy acceleratorcomponenten en het type glitches dat ze ervaren in bijna realtime.

Een analyse van de resultaten van de eerste veldtest van het op maat gemaakte machine learning-systeem is onlangs gepubliceerd in Fysieke beoordeling versnellers en balken .

De continue elektronenstraalversnellerfaciliteit, een DOE-gebruikersfaciliteit, beschikt over een unieke deeltjesversneller die kernfysici gebruiken om het hart van de materie te verkennen. CEBAF wordt aangedreven door supergeleidende radiofrequentieholtes, dat zijn structuren die CEBAF in staat stellen energie te geven aan elektronenbundels voor experimenten.

"Het hart van de machine zijn deze SRF-holtes, en heel vaak, deze gaan trippen. Als ze trippen, we willen graag weten hoe we op die reizen moeten reageren. De truc is om meer over de trip te begrijpen:welke holte is geactiveerd en wat voor soort fout het was, " zei Chris Tennant, een stafwetenschapper van Jefferson Lab in het Center for Advanced Studies of Accelerators.

Deskundige versnellerwetenschappers beoordelen informatie over deze fouten en kunnen die gebruiken om te bepalen waar de fout is begonnen en wat voor soort fout het is. waardoor de CEBAF-operators worden geïnformeerd over de beste manier om van de storing te herstellen en toekomstige problemen te verhelpen. Echter, die deskundige beoordeling kost tijd die operators niet hebben wanneer experimenten aan de gang zijn.

Eind 2019, Tennant en een team van CEBAF-acceleratorexperts wilden een machine learning-systeem bouwen om die beoordeling in realtime uit te voeren.

Ze werkten samen met verschillende groepen om vanaf het begin een aangepast data-acquisitiesysteem te ontwerpen en te bouwen om informatie over de prestaties van holtes te halen uit een digitaal laag niveau RF-systeem dat is geïnstalleerd op de nieuwste secties van de deeltjesversneller in CEBAF, die ongeveer een vijfde van de SRF-holten in CEBAF omvat. Het low-level RF-systeem meet constant het veld in SRF-holtes en past het signaal voor elk ervan aan om ervoor te zorgen dat ze optimaal werken.

Wanneer een caviteit defect raakt, het machine learning data-acquisitiesysteem haalt 17 verschillende signalen voor elke holte uit het digitale low-level RF-systeem voor analyse.

"We maken gebruik van informatierijke gegevens en zetten deze om in bruikbare informatie, " hij zei.

Dezezelfde informatierijke gegevens worden gebruikt door experts van versnellers om defecte holtes en oorzaken te identificeren. Deze eerdere analyses werden gebruikt om het machine learning-systeem te trainen voorafgaand aan de implementatie.

Het nieuwe systeem werd begin maart 2020 geïnstalleerd en getest tijdens CEBAF-operaties gedurende een eerste periode van twee weken.

"Voor die twee weken, we hadden een paar honderd fouten die we konden analyseren, en we ontdekten dat onze modellen voor machinaal leren tot 85% nauwkeurig waren, waarbij de holte het eerst een fout maakte en 78% bij het identificeren van het type fout, dus dit is ongeveer net zo goed als een enkele materiedeskundige, ’ legde Tennant uit.

Deze bijna-realtime feedback betekent dat CEBAF-operators onmiddellijk stappen kunnen ondernemen om problemen die zich voordoen in de machine tijdens experimentele runs te verminderen, en hopelijk voorkomen dat kleinere problemen grotere problemen worden die de looptijd van experimenten kunnen verkorten.

"Het idee is uiteindelijk de materiedeskundigen hoeven niet al hun tijd te besteden aan het zelf bekijken van de gegevens om fouten te identificeren, " hij zei.

De volgende stap voor Tennant en zijn team is het analyseren van gegevens van een tweede en langere testperiode die plaatsvond in de nazomer. Als het systeem zo goed presteerde als de eerste test aangeeft, het team hoopt te beginnen met ontwerpen om het systeem uit te breiden met oudere SRF-holtes in CEBAF.

Dit project werd oorspronkelijk voorgesteld en gefinancierd via het Laboratory Directed Research &Development-programma van Jefferson Lab voor het fiscale jaar 2020, en het werd later door DOE geselecteerd voor een subsidie ​​van $ 1,35 miljoen om machine learning te gebruiken om de komende jaren een revolutie teweeg te brengen in experimenten en operaties bij gebruikersfaciliteiten.

"Dit was een proof-of-principle-project. Het was wat riskanter, want enkele jaren geleden toen dit project werd voorgesteld, niemand van ons in het team wist iets van machine learning. We sprongen er gewoon in, ' zei Tennant. 'Dus, soms loont het echt om die projecten met een hoger risico/hogere beloning te ondersteunen."