Des chercheurs modélisent l'histoire des aimants d'accélérateur à l'aide d'une approche d'apprentissage automatique

Un aimant sur un banc d'essai à l'intérieur du SLAC National Accelerator Laboratory. Les chercheurs ont créé un modèle d'apprentissage automatique qui aidera à prédire le comportement des aimants lors des expériences de faisceau, entre autres applications. Crédit :Scott Anderson, Laboratoire national des accélérateurs du SLAC

Après une longue journée de travail, vous pourriez vous sentir fatigué ou exalté. Dans tous les cas, vous êtes affecté par ce qui vous est arrivé dans le passé.

Les aimants d'accélérateur ne sont pas différents. Ce qu'ils ont traversé, ou ce qui les a traversés, comme un courant électrique, affecte leurs performances futures.

Sans comprendre le passé d'un aimant, les chercheurs pourraient avoir besoin de le réinitialiser complètement avant de commencer une nouvelle expérience, un processus qui peut prendre 10 ou 15 minutes. Certains accélérateurs ont des centaines d'aimants, et le processus peut rapidement devenir long et coûteux.

Aujourd'hui, une équipe de chercheurs du Laboratoire national des accélérateurs SLAC du Département de l'énergie et d'autres institutions a développé une technique mathématique puissante qui utilise des concepts d'apprentissage automatique pour modéliser les états antérieurs d'un aimant et faire des prédictions sur les états futurs. Cette nouvelle approche élimine le besoin de réinitialiser les aimants et améliore immédiatement les performances de l'accélérateur.

"Notre technique change fondamentalement la façon dont nous prédisons les champs magnétiques à l'intérieur des accélérateurs, ce qui pourrait améliorer les performances des accélérateurs à travers le monde", a déclaré Ryan Roussel, scientifique associé au SLAC. "Si l'histoire d'un aimant n'est pas bien connue, il sera difficile de prendre de futures décisions de contrôle pour créer le faisceau spécifique dont vous avez besoin pour une expérience."

Le modèle de l'équipe examine une propriété importante des aimants connue sous le nom d'hystérésis, qui peut être considérée comme un magnétisme résiduel (ou résiduel). L'hystérésis est comme l'eau chaude restante dans vos tuyaux de douche après avoir éteint l'eau chaude. Votre douche ne deviendra pas immédiatement froide - l'eau chaude qui reste dans les tuyaux doit s'écouler de la pomme de douche avant qu'il ne reste plus que de l'eau froide.

"L'hystérésis rend le réglage des aimants difficile", a déclaré Auralee Edelen, scientifique associée au SLAC. "Les mêmes paramètres dans un aimant qui ont entraîné une taille de faisceau hier peuvent entraîner une taille de faisceau différente aujourd'hui en raison de l'effet de l'hystérésis."

Le nouveau modèle de l'équipe supprime la nécessité de réinitialiser les aimants aussi souvent et peut permettre aux opérateurs de machines et aux algorithmes de réglage automatisé de voir rapidement leur état actuel, rendant visible ce qui était autrefois invisible, a déclaré Edelen.

Il y a dix ans, de nombreux accélérateurs n'avaient pas besoin de prendre en compte la sensibilité aux erreurs d'hystérésis, mais avec la mise en service d'installations plus précises comme le LCLS-II du SLAC, la prédiction du magnétisme résiduel est plus critique que jamais, a déclaré Roussel.

Le modèle d'hystérésis pourrait également aider les installations d'accélérateurs plus petites, qui pourraient ne pas avoir autant de chercheurs et d'ingénieurs pour réinitialiser les aimants, à mener des expériences de plus grande précision. L'équipe espère mettre en œuvre la méthode sur un ensemble complet d'aimants dans une installation d'accélérateur et démontrer une amélioration de la précision prédictive sur un accélérateur opérationnel. + Explorer plus loin