연구원들은 기계 학습 접근 방식을 사용하여 가속기 자석의 역사를 모델링합니다.

연구원들은 기계 학습 접근 방식을 사용하여 가속기 자석의 역사를 모델링합니다.
날짜:
2022년 6월 15일
원천:
DOE/SLAC 국립 가속기 연구소
요약:
긴 하루 일과 후에 피곤하거나 기분이 좋을 수 있습니다. 어느 쪽이든, 당신은 과거에 당신에게 일어난 일에 영향을 받습니다. 가속기 자석도 다르지 않습니다. 그들이 겪었던 일, 또는 전류와 같은 일을 겪었던 일은 그들이 미래에 어떻게 수행할 것인지에 영향을 미칩니다. 연구원들은 자석의 과거를 이해하지 못한 채 새로운 실험을 시작하기 전에 자석을 완전히 재설정해야 할 수도 있습니다. 이 과정에는 10~15분이 소요될 수 있습니다. 일부 가속기에는 수백 개의 자석이 있으며 이 프로세스는 빠르게 시간과 비용이 많이 소요될 수 있습니다.

긴 하루 일과 후에 피곤하거나 기분이 좋을 수 있습니다. 어느 쪽이든, 당신은 과거에 당신에게 일어난 일에 영향을 받습니다.

가속기 자석도 다르지 않습니다. 그들이 겪었던 일, 또는 전류와 같은 일을 겪었던 일은 그들이 미래에 어떻게 수행할 것인지에 영향을 미칩니다.

연구원들은 자석의 과거를 이해하지 못한 채 새로운 실험을 시작하기 전에 자석을 완전히 재설정해야 할 수도 있습니다. 이 과정에는 10~15분이 소요될 수 있습니다. 일부 가속기에는 수백 개의 자석이 있으며 이 프로세스는 빠르게 시간과 비용이 많이 소요될 수 있습니다.

이제 에너지부의 SLAC 국립 가속기 연구소 및 기타 기관의 연구원 팀은 기계 학습의 개념을 사용하여 자석의 이전 상태를 모델링하고 미래 상태에 대해 예측하는 강력한 수학적 기술을 개발했습니다. 이 새로운 접근 방식은 자석을 재설정할 필요가 없으므로 즉시 가속기 성능이 향상됩니다.

"우리의 기술은 가속기 내부의 자기장을 예측하는 방식을 근본적으로 변화시켜 전 세계적으로 가속기의 성능을 향상시킬 수 있습니다. "자석의 역사가 잘 알려져 있지 않으면 실험에 필요한 특정 빔을 만들기 위해 향후 제어 결정을 내리기가 어려울 것입니다."

팀의 모델은 히스테리시스(hysteresis)로 알려진 자석의 중요한 특성을 살펴봅니다. 이 특성은 잔류 또는 남은 자력으로 생각할 수 있습니다. 히스테리시스는 뜨거운 물을 끈 후 샤워 파이프에 남은 뜨거운 물과 같습니다. 샤워기가 즉시 차가워지지는 않습니다. 파이프에 남아 있는 뜨거운 물은 찬물만 남기 전에 샤워 헤드에서 흘러나와야 합니다.

"히스테리시스는 튜닝 자석을 어렵게 만듭니다."라고 SLAC의 과학자 Auralee Edelen이 말했습니다. "어제 하나의 빔 크기를 가져온 자석의 동일한 설정은 히스테리시스의 영향으로 인해 오늘 다른 빔 크기를 초래할 수 있습니다."

팀의 새 모델은 자석을 자주 재설정할 필요가 없으며 기계 작업자와 자동화된 튜닝 알고리즘이 현재 상태를 빠르게 볼 수 있도록 하여 한때 보이지 않던 것을 보이게 할 수 있다고 Edelen은 말했습니다.

10년 전 많은 가속기는 히스테리시스 오류에 대한 민감도를 고려할 필요가 없었지만 SLAC의 LCLS-II와 같은 더 정밀한 시설이 온라인 상태가 되면서 잔류 자기 예측이 그 어느 때보다 중요해졌다고 Roussel은 말했습니다.

히스테리시스 모델은 또한 자석을 재설정할 연구원과 엔지니어가 많지 않은 소규모 가속기 시설에서 고정밀 실험을 실행하는 데 도움이 될 수 있습니다. 팀은 가속기 시설의 전체 자석 세트에 이 방법을 구현하고 작동 중인 가속기의 예측 정확도 개선을 입증하기를 희망합니다.