Na een lange dag werken kunt u zich moe of opgewonden voelen. Hoe dan ook, je wordt beïnvloed door wat je in het verleden is overkomen.

Versnellingsmagneten zijn niet anders. Wat ze hebben meegemaakt - of wat er doorheen is gegaan, zoals een elektrische stroom - heeft invloed op hoe ze in de toekomst zullen presteren.

Zonder het verleden van een magneet te begrijpen, moeten onderzoekers deze mogelijk volledig resetten voordat ze een nieuw experiment starten, een proces dat 10 of 15 minuten kan duren. Sommige versnellers hebben honderden magneten en het proces kan snel tijdrovend en kostbaar worden.

Nu heeft een team van onderzoekers van het SLAC National Accelerator Laboratory van het Department of Energy en andere instellingen een krachtige wiskundige techniek ontwikkeld die concepten uit machine learning gebruikt om de vorige toestanden van een magneet te modelleren en voorspellingen te doen over toekomstige toestanden. Deze nieuwe aanpak elimineert de noodzaak om de magneten opnieuw in te stellen en resulteert onmiddellijk in verbeteringen in de acceleratieprestaties.

"Onze techniek verandert fundamenteel hoe we magnetische velden in versnellers voorspellen, wat de prestaties van versnellers over de hele wereld zou kunnen verbeteren", zei SLAC-associatewetenschapper Ryan Roussel. "Als de geschiedenis van een magneet niet goed bekend is, zal het moeilijk zijn om toekomstige controlebeslissingen te nemen om de specifieke straal te creëren die je nodig hebt voor een experiment."

Het model van het team kijkt naar een belangrijke eigenschap van magneten die bekend staat als hysterese, wat kan worden gezien als resterend (of overgebleven) magnetisme. Hysterese is als het overgebleven warme water in uw doucheleidingen nadat u het warme water hebt uitgezet. Je douche wordt niet meteen koud - het warme water dat in de leidingen achterblijft, moet uit de douchekop stromen voordat er alleen koud water overblijft.

"Hysterese maakt het afstemmen van magneten uitdagend", zei SLAC-associate scientist Auralee Edelen. "Dezelfde instellingen in een magneet die gisteren resulteerde in één bundelgrootte, kunnen vandaag resulteren in een andere bundelgrootte vanwege het effect van hysterese."

Dankzij het nieuwe model van het team hoeven magneten niet zo vaak opnieuw te worden ingesteld en kunnen zowel machinebedieners als geautomatiseerde afstemmingsalgoritmen snel hun huidige staat zien, waardoor wat ooit onzichtbaar was zichtbaar wordt, zei Edelen.

Tien jaar geleden hoefden veel versnellers geen rekening te houden met de gevoeligheid voor hysteresisfouten, maar met meer precieze faciliteiten zoals SLAC's LCLS-II die online komen, is het voorspellen van restmagnetisme belangrijker dan ooit, zei Roussel.

Het hysteresismodel zou ook kunnen helpen bij kleinere versnellerfaciliteiten, die misschien niet zoveel onderzoekers en ingenieurs hebben om magneten te resetten, om experimenten met hogere precisie uit te voeren. Het team hoopt de methode te implementeren op een volledige set magneten in een versnellerfaciliteit en een verbetering van de voorspellende nauwkeurigheid op een operationele versneller aan te tonen. + Verder verkennen

Een nieuwe machine learning-methode stroomlijnt de werking van deeltjesversnellers