Специалисты из Национальной лаборатории Лос-Аламоса совместно с коллегами из Национальной лаборатории Лоуренса в Беркли создали модель машинного обучения для повышения эффективности работы ускорителей частиц. Цель этой инновации — преодоление проблемы снижения производительности, наблюдаемой при длительной эксплуатации ускорителей.
Технологии машинного обучения дают возможность разработать «виртуальных наблюдателей», помогающих инженерно-техническому персоналу в мониторинге и диагностике ускорителей частиц. Эти инструменты проводят анализ данных в режиме реального времени, выявляют закономерности и делают предсказания, что позволяет операторам своевременно обнаруживать неполадки и принимать более обоснованные решения.
ускорителя. Источник: Александр Шейкер, Лос-Аламосская национальная лаборатория
Основным компонентом новой технологии выступает генеративная диффузия — метод, позволяющий создавать виртуальные пучки ускорителей, которые динамически изменяются. Этот процесс способствует анализу и исследованию временных изменений и их взаимосвязей. В ходе успешных испытаний этой технологии на Европейском рентгеновском свободно-электронном лазере (XFEL) метод был применен для генерации виртуальных изображений электронных пучков с высоким разрешением.
Инновация на базе машинного обучения применима в крупных экспериментальных комплексах, таких как FACET-II, расположенный в Стэнфордской национальной лаборатории США, для оптимизации управления ускорителями частиц и повышения точности экспериментальных данных. Это открывает новые перспективы для исследователей в областях материаловедения, химии, биологии, физики высоких энергий и медицинской науки.
Источник: iXBT
