新的机器学习系统可以实时正确诊断粒子加速器组件问题

一种新的机器学习工具正在CEBAF进行初步测试。

美国能源部的托马斯·杰斐逊国家加速器为主要设施连续电子束加速器设施(CEBAF)的操作员配备了新工具，可帮助他们迅速解决可能出现的任何问题。

在初步测试中，该工具成功地使用了机器学习技术来识别故障加速器组件以及它们近实时地产生的故障。

现场测试的结果发表在《Physical Review Accelerators and Beams》杂志上 。

CEBAF的机器学习测试

CEBAF是能源用户设施部，具有独特的粒子加速器，可探索核物质的基本结构。CEBAF由超导射频(SRF)腔提供动力，无法避免操作问题：

“机器的心脏是这些SRF腔，它们经常会跳闸。当它们跳闸时，我们想知道如何响应这些跳闸。诀窍是更多地了解跳闸：哪个腔体跳闸了，到底是什么问题，”加速器高级研究中心的杰斐逊实验室资深科学家克里斯·坦南特(Chris Tennant)在新闻稿中解释道。

Tennant和CEBAF加速器专家团队在2019年末开始着手构建一个可以实时执行评论的机器学习系统。否则，这样的审查将花费运营商大量的时间。

他们的定制数据采集系统从安装在CEBAF粒子加速器最新部分中的数字低级RF系统获取有关腔性能的信息。

低电平射频系统不断测量SRF腔中的磁场，并为每个微调信号，以确保最佳工作状态。

高效的粒子加速器诊断

新的机器学习系统 在2020年3月上旬的为期两周的测试期间内，在CEBAF运行期间进行了安装和测试。

“在过去的两周中，我们能够分析几百个故障，并且我们发现我们的机器学习模型对于首先出现 腔 故障的模型的准确度为85%，在识别故障类型方面的准确度为78%，所以这是以及一个主题专家。” Tennant解释说。

接近实时的反馈使CEBAF操作员可以快速做出决定，以缓解实验运行期间机器中出现的问题。

Tennant解释说：“最终的想法是，主题专家将不需要花费所有时间自己查看数据来识别故障。”

Tennant和他的团队的下一步是分析第二个较长测试周期中的数据。一切顺利，然后他们的目标是开始进行新的设计，以扩展机器学习系统，以在CEBAF中包括旧的SRF腔。