Der Thomas Jefferson National Accelerator des US-Energieministeriums hat die Betreiber seiner Hauptanlage, der Continuous Electron Beam Accelerator Facility CEBAF, mit einem neuen Tool ausgestattet, mit dem sie auftretende Probleme schnell lösen können.
In Vorversuchen wurde das Tool erfolgreich eingesetzt maschinelles Lernen um fehlerhafte Beschleunigerkomponenten und die von ihnen verursachten Störungen nahezu in Echtzeit zu identifizieren.
Die Ergebnisse des Feldtests waren veröffentlicht im Tagebuch Beschleuniger und Balken für die physikalische Überprüfung .
VERBINDUNG: 9 ERSTAUNLICHE FAKTEN ZU PARTIKELBESCHLEUNIGERN UND WIE SIE ARBEITEN
Tests zum maschinellen Lernen bei CEBAF
Die CEBAF, eine Abteilung für Energiebenutzer, verfügt über eine einzigartige Teilchenbeschleuniger um die grundlegende Struktur der Kernmaterie zu untersuchen.
Angetrieben durch supraleitende Hochfrequenzhohlräume SRF, ist CEBAF nicht immun gegen Betriebsprobleme :
"Das Herzstück der Maschine sind diese SRF-Hohlräume, und diese lösen häufig aus. Wenn sie auslösen, möchten wir wissen, wie wir auf diese Auslösungen reagieren sollen. Der Trick besteht darin, mehr über die Auslösung zu verstehen: Welcher Hohlraum hatgestolpert und was für ein Fehler es war ", erklärt Chris Tennant, Mitarbeiter des Jefferson Lab im Center for Advanced Studies of Accelerators, in a Pressemitteilung .
Ende 2019 machten sich Tennant und ein Team von CEBAF-Beschleunigerexperten daran, ein maschinelles Lernsystem aufzubauen, mit dem Überprüfungen in Echtzeit durchgeführt werden können. Solche Überprüfungen würden den Bedienern ansonsten viel Zeit in Anspruch nehmen.
Das benutzerdefinierte Datenerfassungssystem bezieht Informationen zur Hohlraumleistung aus einem digitalen Low-Level-HF-System, das auf den neuesten Abschnitten eines Teilchenbeschleunigers in CEBAF installiert ist.
Das Low-Level-RF-System misst ständig das Feld in SRF-Hohlräumen und optimiert das Signal für jeden einzelnen, um einen optimalen Betrieb sicherzustellen.
Effiziente Teilchenbeschleunigerdiagnose
Das neue maschinelles Lernsystem wurde während eines zweiwöchigen Testzeitraums Anfang März 2020 während des CEBAF-Betriebs installiert und getestet.
"In diesen zwei Wochen hatten wir einige hundert Fehler, die wir analysieren konnten, und wir stellten fest, dass unsere Modelle für maschinelles Lernen auf 85% genau waren, wofür Hohlraum zuerst fehlerhaft und 78% bei der Identifizierung der Art des Fehlers, also ist dies ungefähr so gut wie ein einzelner Fachexperte ", erklärte Tennant.
Dank des zeitnahen Feedbacks konnten CEBAF-Bediener schnell Entscheidungen zur Minderung von Problemen treffen, die während der Versuchsläufe in der Maschine auftraten.
"Die Idee ist schließlich, dass die Fachexperten nicht ihre ganze Zeit damit verbringen müssen, die Daten selbst zu untersuchen, um Fehler zu identifizieren", erklärte Tennant.
Der nächste Schritt für Tennant und sein Team besteht darin, Daten aus einer zweiten, längeren Testperiode zu analysieren. Alles läuft gut, und sie zielen darauf ab, neue Designs zu beginnen, die die maschinelles Lernsystem um ältere SRF-Hohlräume in CEBAF aufzunehmen.