Czasopismo | ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA | Rocznik 2023 - zeszyt 2

SIECI NEURONOWE I METODY UCZENIA MASZYNOWEGO W MODELOWANIU I STEROWANIU AKCELERATORÓW CZĄSTEK WPROWADZENIE, OGÓLNA CHARAKTERYSTYKA SYSTEMÓW I POLITYKI STEROWANIA

Neural Networks and Machine Learning for Modeling and Control of Particle Accelerators Introduction, general characteristics of control systems and policy

10.15199/13.2023.2.4

Sylwester Bułka

nr katalogowy: 142125
10.15199/13.2023.2.4

Streszczenie

W akceleratorach cząstek ma miejsce niezliczona ilość skomplikowanych i nieliniowych zjawisk fizycznych. Dodając do tego nieodłączne złożoności interakcji, które często obejmują wiele oddziałujących na siebie systemów, wykazują długoterminowe cykle procesowe i zmiany parametrów poszczególnych elementów maszyny w czasie. Ponadto, poza dużymi ośrodkami akceleratorowymi, zaangażowanie w nich na co dzień wysoko wykwalifikowanych operatorów i techników jest często ekonomicznie nieuzasadnione. Jednym ze sposobów sprostania tym wyzwaniom jest zastosowanie intensywnie udoskonalanych technik z dziedziny uczenia maszynowego (ML) i sztucznej inteligencji (AI) w projektowaniu systemów sterowania akceleratorami cząstek. W szczególności, dobrze sprawdzają się techniki oparte na sieciach neuronowych (NN) do modelowania, sterowania i analizy diagnostycznej złożonych systemów o zmiennych w czasie parametrach i systemów operujących na wielkiej ilości danych i metadanych. Techniki te mogą być stosowane w połączeniu z rzeczywistym obiegiem danych maszynowych, uwzględniając dodatkowo zakłócenia, zmienne opóźnienia, subtelne korelacje statystyczne i złożone efekty, które mogą nie być łatwo przewidziane z wyprzedzeniem. NN mogą być również przydatne w przypadkach gdzie dokładne dane z symulacji lub innych obliczeń wprawdzie są osiągalne, ale niektóre korelacje muszą być obliczane błyskawicznie w celu efektywnego wdrożenia nastaw w czasie rzeczywistym.

Abstract

Particle accelerators are host to many nonlinear and complex physical phenomena. They often involve a multitude of interacting systems, are subject to tight performance demands, and should be able to run for extended periods of time with minimal interruptions. Often times, traditional control techniquescannot fully meet these requirements. One promising avenue is to introduce machine learning and sophisticated control techniques inspired by artificial intelligence, particularly in light of recent theoretical and practical advances in these fields. Within machine learning and artificial intelligence, neural networks are particularly well-suited to modeling, control, and diagnostic analysis of complex, nonlinear, and time-varying systems, as well as systems with large parameter spaces. Consequently, the use of neural network-based modeling and control techniques could be of significant benefit to particle accelerators. One path toward meeting these challenges is the incorporation of recently improved techniques from the fields of machine learning (ML) and artificial intelligence (AI) into the design of control systems for particle accelerators. In particular, techniques based on neural networks (NNs) are well-suited to modeling, control, and diagnostic analysis of complex, timevarying systems, and systems with large parameter spaces. These techniques can be used in conjunction with actual achine data, thereby accounting for noise, variable delays,subtle statistical correlations, and complex effects that may not be easily addressed a priori. NNs can also be useful in cases where accurate data from simulations or some other computationally intensive procedure is available, but the input-output relationship needs to be computed more rapidly for effective real-time deployment

Słowa kluczowe

Keywords

Bibliografia

[1] Neural Networks for Modeling and Control of Particle Accelerators
[2] A. L. Edelen, Student Member, IEEE, S. G. Biedron, Senior Member, IEEE, B. E. Chase, Member, IEEE,
[3] D. Edstrom Jr., S. V. Milton, Senior Member, IEEE, and P. Stabile, Member, IEEE
[4] IEEE TRANSACTIONS ON NUCLEAR SCIENCE, VOL. 63, NO. 2, APRIL 2016

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA- e-publikacja (pdf) z zeszytu 2023-2 , nr katalogowy 142125 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA- e-zeszyt (pdf) 2023-2 licencja: Osobista Produkt cyfrowy Nowość	39.00 zł

Prenumerata

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

420.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna	528.00 zł brutto 488.89 zł netto 39.11 zł VAT (stawka VAT 8%)
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

570.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	636.00 zł brutto 588.89 zł netto 47.11 zł VAT (stawka VAT 8%)

636.00 zł

Zeszyt

2023-2

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma