Les accélérateurs de particules comptent parmi les instruments scientifiques les plus complexes jamais conçus. Avec des millions de capteurs et des milliers de sous-systèmes risquant de tomber en panne, les opérateurs humains de ces accélérateurs doivent surveiller en permanence les performances et parcourir une mer de capteurs pour identifier les problèmes. C'est le cas de la source de lumière cohérente Linac, une installation utilisateur du ministère de l'Énergie du laboratoire national des accélérateurs du SLAC.
Les chercheurs ont maintenant développé un algorithme d’intelligence artificielle (IA) qui imite la façon dont les opérateurs humains abordent ce défi. Le système automatisé surveille l’accélérateur. Il alerte les opérateurs lorsque les performances diminuent et identifie le sous-système spécifique qui en est responsable. Cela peut simplifier le fonctionnement de l’accélérateur, réduire les temps d’arrêt et améliorer les données scientifiques collectées par ces outils. La recherche a été publiée dans Physical Review Accelerators and Beams .
La solution d'IA automatisée montre aux opérateurs du SLAC quels composants doivent être éteints et remplacés pour qu'un accélérateur continue de fonctionner 24 heures sur 24. Une fiabilité améliorée maintient également davantage de sous-systèmes en ligne. Cela permet à l’accélérateur d’atteindre sa pleine capacité opérationnelle. Cette approche de l’IA pourrait bénéficier à de nombreux systèmes complexes. Par exemple, cela pourrait améliorer la fiabilité d'autres installations expérimentales, d'usines de fabrication avancées, du réseau électrique et des centrales nucléaires.
Les accélérateurs modernes enregistrent des millions de flux de données, soit beaucoup trop de signaux pour qu'une petite équipe d'exploitation puisse les surveiller en temps réel et éviter de manière fiable les pannes de sous-systèmes entraînant des temps d'arrêt coûteux. Par exemple, dans la source de lumière cohérente Linac, l'un des premiers lasers à rayons X au monde, les défauts des stations radiofréquence (RF) qui accélèrent les électrons sont l'une des principales causes des temps d'arrêt et des baisses de performances.
Un algorithme automatisé existant tente d'identifier les problèmes des stations RF, mais près de 70 % des prédictions de l'algorithme sont des faux positifs, et les opérateurs ont recours à une inspection manuelle pour identifier les anomalies des stations RF.
Inspirée par les opérateurs, la méthode IA exécute simultanément des algorithmes de détection d'anomalies à la fois sur les diagnostics de la station RF et sur les mesures coup à coup de la qualité finale du faisceau. Un défaut n’est prédit que lorsque les deux algorithmes identifient simultanément des anomalies. Cette approche, désormais intégrée à la salle de contrôle, peut être entièrement automatisée et identifie plus d'événements avec moins de faux positifs que le seul diagnostic de la station RF.
Des travaux récents en instance de brevet ont étendu le concept de coïncidence aux algorithmes d'apprentissage en profondeur, tels que les réseaux neuronaux, qui peuvent identifier les défauts sur des données brutes et non étiquetées sans l'intervention d'un expert. Les chercheurs s'attendent à ce que ces algorithmes basés sur l'apprentissage automatique aient de larges applications dans des systèmes complexes dans les domaines scientifique et industriel.
Plus d'informations : Ryan Humble et al, Identification des défauts de la station RF basée sur des faisceaux à la source de lumière cohérente SLAC Linac, Examen physique des accélérateurs et des faisceaux (2022). DOI :10.1103/PhysRevAccelBeams.25.122804
Fourni par le Département américain de l'énergie
