• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Physique
    L'apprentissage automatique améliore les diagnostics des accélérateurs de particules

    L'installation d'accélérateur de faisceau d'électrons continu, une installation d'utilisateur du DOE, dispose d'un accélérateur de particules unique que les physiciens nucléaires utilisent pour explorer le cœur de la matière. Crédit :Jefferson Lab du DOE

    Les opérateurs de l'accélérateur de particules primaire du Thomas Jefferson National Accelerator Facility du département américain de l'Énergie reçoivent un nouvel outil pour les aider à résoudre rapidement les problèmes qui peuvent l'empêcher de fonctionner correctement. Un nouveau système d'apprentissage automatique a réussi son premier test de deux semaines, identifier correctement les composants de l'accélérateur défectueux et le type de problèmes qu'ils rencontrent en temps quasi réel.

    Une analyse des résultats du premier test sur le terrain du système d'apprentissage automatique sur mesure a été récemment publiée dans Accélérateurs et faisceaux d'examen physique .

    L'installation d'accélérateur de faisceau d'électrons continu, une installation d'utilisateur du DOE, dispose d'un accélérateur de particules unique que les physiciens nucléaires utilisent pour explorer le cœur de la matière. Le CEBAF est alimenté par des cavités radiofréquence supraconductrices, qui sont des structures qui permettent au CEBAF de transmettre de l'énergie à des faisceaux d'électrons pour des expériences.

    "Le cœur de la machine, ce sont ces cavités SRF, et bien souvent, ceux-ci vont trébucher. Quand ils trébuchent, nous aimerions savoir comment réagir à ces déplacements. L'astuce consiste à mieux comprendre le déclenchement :quelle cavité s'est déclenchée et de quel type de défaut il s'agissait, " a déclaré Chris Tennant, un scientifique du Jefferson Lab au Center for Advanced Studies of Accelerators.

    Les scientifiques experts des accélérateurs examinent les informations sur ces défauts et peuvent les utiliser pour déterminer où le défaut a commencé et de quel type de défaut il s'agit, informant ainsi les opérateurs du CEBAF sur la meilleure façon de se remettre de la panne et d'atténuer les futures pannes. Cependant, cet examen par des experts prend du temps que les opérateurs n'ont pas lorsque les expériences sont en cours.

    Fin 2019, Tennant et une équipe d'experts en accélérateurs du CEBAF ont entrepris de créer un système d'apprentissage automatique pour effectuer cet examen en temps réel.

    Ils ont travaillé avec plusieurs groupes différents pour concevoir et construire à partir de zéro un système d'acquisition de données personnalisé pour extraire des informations sur les performances de la cavité à partir d'un système RF numérique de bas niveau installé sur les sections les plus récentes de l'accélérateur de particules du CEBAF, qui comprend environ un cinquième des cavités SRF du CEBAF. Le système RF de bas niveau mesure en permanence le champ dans les cavités SRF et ajuste le signal pour chacune d'entre elles afin de s'assurer qu'elles fonctionnent de manière optimale.

    Lorsqu'une cavité fait défaut, le système d'acquisition de données d'apprentissage automatique extrait 17 signaux différents pour chaque cavité du système RF numérique de bas niveau pour analyse.

    « Nous exploitons des données riches en informations et les transformons en informations exploitables, " il a dit.

    Ces mêmes données riches en informations sont utilisées par les experts des accélérateurs pour aider à identifier les cavités défaillantes et leurs causes. Ces analyses antérieures ont été utilisées pour former le système d'apprentissage automatique avant le déploiement.

    Le nouveau système a été installé et testé pendant les opérations du CEBAF sur une période initiale de deux semaines début mars 2020.

    « Pendant ces deux semaines, nous avons eu quelques centaines de défauts que nous avons pu analyser, et nous avons constaté que nos modèles d'apprentissage automatique étaient précis à 85 % pour la cavité défaillante en premier et à 78 % pour identifier le type de défaut, c'est donc à peu près aussi bien qu'un seul expert en la matière, " expliqua Tennant.

    Ce retour d'information en temps quasi réel signifie que les opérateurs du CEBAF peuvent prendre des mesures immédiates pour atténuer les problèmes qui surviennent dans la machine pendant les essais expérimentaux, et, espérons-le, empêcher les petits problèmes de se transformer en problèmes plus importants qui peuvent réduire le temps d'exécution des expériences.

    "L'idée est finalement, les experts en la matière n'auront pas besoin de passer tout leur temps à regarder eux-mêmes les données pour identifier les défauts, " il a dit.

    La prochaine étape pour Tennant et son équipe consiste à analyser les données d'une deuxième période de test plus longue qui a eu lieu à la fin de l'été. Si le système a effectué aussi bien que le premier test l'indique, l'équipe espère commencer des conceptions pour étendre le système afin d'inclure des cavités SRF plus anciennes dans le CEBAF.

    Ce projet a été initialement proposé et financé par le programme de recherche et développement dirigé par le laboratoire de Jefferson Lab pour l'exercice 2020, et il a ensuite été sélectionné par le DOE pour une subvention de 1,35 million de dollars afin de tirer parti de l'apprentissage automatique pour révolutionner l'expérimentation et les opérations dans les installations des utilisateurs dans les années à venir.

    "C'était un projet de preuve de principe. C'était un peu plus risqué, car il y a quelques années, lorsque ce projet a été proposé, aucun de nous dans l'équipe ne savait rien de l'apprentissage automatique. Nous avons juste en quelque sorte sauté dedans, " dit Tennant. " Alors, parfois, soutenir ces projets à plus haut risque/plus haute récompense est vraiment payant. »


    © Science https://fr.scienceaq.com