Deeltjesversnellers behoren tot de meest ingewikkelde wetenschappelijke instrumenten die ooit zijn bedacht. Omdat miljoenen sensoren en duizenden subsystemen het risico lopen te falen, moeten de menselijke operators van deze versnellers voortdurend de prestaties monitoren en een zee van sensoren doorzoeken om problemen te identificeren. Dat is de situatie bij de Linac Coherent Light Source, een gebruikersfaciliteit van het Department of Energy bij het SLAC National Accelerator Laboratory.

Onderzoekers hebben nu een algoritme voor kunstmatige intelligentie (AI) ontwikkeld dat nabootst hoe menselijke operators deze uitdaging aanpakken. Het geautomatiseerde systeem houdt het gaspedaal in de gaten. Het waarschuwt operators wanneer de prestaties afnemen en identificeert het specifieke subsysteem dat verantwoordelijk is. Dit kan de werking van de versneller vereenvoudigen, de uitvaltijd verminderen en de wetenschappelijke gegevens die deze tools verzamelen verbeteren. Het onderzoek is gepubliceerd in Physical Review Accelerators and Beams .

De geautomatiseerde AI-oplossing laat SLAC-operators zien welke componenten moeten worden uitgeschakeld en vervangen om een ​​gaspedaal de klok rond te laten draaien. Verbeterde betrouwbaarheid zorgt er ook voor dat meer subsystemen online blijven. Hierdoor kan de versneller zijn volledige operationele capaciteit bereiken. Deze AI-aanpak zou veel complexe systemen ten goede kunnen komen. Het zou bijvoorbeeld de betrouwbaarheid van andere experimentele faciliteiten, geavanceerde productiefabrieken, het elektriciteitsnet en kerncentrales kunnen verbeteren.

Moderne accelerators registreren miljoenen datastromen, veel te veel signalen voor een klein operationeel team om in realtime te monitoren en voorkomen op betrouwbare wijze subsysteemfouten die tot kostbare downtime leiden. In de Linac Coherent Light Source, een van 's werelds eerste röntgenlasers, zijn fouten in de radiofrequentiestations (RF) die de elektronen versnellen bijvoorbeeld een primaire oorzaak van uitvaltijd en verminderde prestaties.

Een bestaand geautomatiseerd algoritme probeert problemen met RF-stations te identificeren, maar bijna 70% van de voorspellingen van het algoritme zijn vals-positieven, en operators nemen hun toevlucht tot handmatige inspectie om afwijkingen in RF-stations te identificeren.

Geïnspireerd door de operators voert de AI-methode tegelijkertijd algoritmen voor anomaliedetectie uit op zowel de diagnostiek van het RF-station als shot-to-shot metingen van de uiteindelijke straalkwaliteit. Een fout wordt alleen voorspeld als beide algoritmen tegelijkertijd afwijkingen identificeren. Deze aanpak, die nu in de controlekamer is geïntegreerd, kan volledig worden geautomatiseerd en identificeert meer gebeurtenissen met minder valse positieven dan alleen de diagnostiek van het RF-station.

Recent werk waarvoor patent is aangevraagd, heeft het toevalsconcept uitgebreid naar deep-learning-algoritmen, zoals neurale netwerken, die fouten in ruwe, ongelabelde gegevens kunnen identificeren zonder input van deskundigen. Onderzoekers verwachten dat deze door machine learning aangedreven algoritmen brede toepassingen zullen hebben in complexe systemen in de wetenschap en de industrie.

Meer informatie: Ryan Humble et al., Beam-gebaseerde foutidentificatie van RF-stations bij de SLAC Linac Coherent Light Source, Physical Review Accelerators and Beams (2022). DOI:10.1103/PhysRevAccelBeams.25.122804

Aangeboden door het Amerikaanse ministerie van Energie