20.05.2025. - ИИ для улучшения работы ускорителей элементарных частиц

ИИ для улучшения работы ускорителей элементарных частиц

Одна из особенностей главного ускорителя элементарных частиц в Национальном ускорительном центре Томаса Джефферсона Министерства энергетики США заключается в том, что он стал первым линейным ускорителем, обеспечивающим непрерывный поток электронов. Сегодня эффективность и стабильность ускорителя имеют решающее значение для новаторских экспериментов физиков-ядерщиков со всего мира по исследованию мельчайших строительных блоков материи.

Но когда в ускорителе возникают аномалии, они могут привести к автоматическому отключению этих непрерывных электронных пучков, подобно щелчку автоматического выключателя. Это приводит к дорогостоящим последствиям, поскольку каждый момент запланированного времени эксперимента — так называемого beamtime — дорог.

Сейчас ученые используют передовые компьютерные технологии, чтобы помочь выявить эти аномалии на ранней стадии, возможно, даже до того, как луч отключится. Конечная цель - увеличить время работы с лучом для экспериментов и сократить время, затрачиваемое на поиск неисправностей.

Одной из основных причин простоя являются проблемы, которые могут возникнуть с технологией, лежащей в основе ускорителя: сверхпроводящими радиочастотными резонаторами (SRF-резонаторы). SRF-резонаторы приводят в движение мощный электронный пучок, который используется для изучения внутреннего мира ядра.

А благодаря более чем 400 SRF-резонаторам лабораторный ускоритель непрерывного действия электронного пучка (CEBAF) чрезвычайно эффективен. Однако у технологии есть потенциал для решения уникальных проблем, которые могут ограничить эту эффективность.

Ученые лаборатории Джефферсона завершили три исследовательских проекта, которые демонстрируют, как искусственный интеллект (ИИ) и машинное обучение (ML) могут быть использованы для повышения эффективности ускорителей частиц SRF.

Первый проект продолжил направление исследований по использованию ML для выявления аномалий SRF в режиме реального времени, чтобы их можно было быстро устранить. Другой проект был посвящен возможности заблаговременного прогнозирования аномалий. И последний проект был направлен на снижение уровня вредного излучения, которое может возникать внутри полостей во время операций.

"Каждый проект решает разные задачи, связанные с эксплуатацией крупномасштабного ускорителя SRF, такого как CEBAF", - сказал Крис Теннант, старший научный сотрудник Лаборатории Джефферсона. Теннант изучает возможности применения искусственного интеллекта для CEBAF и был главным исследователем всех трех проектов.

"В совокупности, - сказал он, - это исследование открывает путь к созданию более стабильного и эффективного ускорителя, гарантирующего лаборатории Джефферсона максимальную научную отдачу и сохранение своего лидерства в области исследований в области ядерной физики".

Эти проекты основаны на работе, которую небольшая команда Jefferson Lab начала еще в 2018 году, чтобы изучить, как методы машинного обучения могут помочь классифицировать данные о неисправностях полости. Их первоначальная работа оказалась настолько успешной, что команда разработала предложение не только классифицировать неисправности после их возникновения, но и прогнозировать их заранее.

Коллеги Теннанта по лаборатории Джефферсона Деннис Тернер, Риад Сулейман и Адам Карпентер подкрепили это предложение двумя дополнительными исследовательскими концепциями, которые соответствуют более широкой цели оптимизации операций SRF с помощью искусственного интеллекта.

Проекты стартовали осенью 2020 года, несмотря на трудности удаленной работы, проблемы с цепочками поставок и растущую стоимость оборудования, и недавно завершились публикацией результатов в трех авторитетных рецензируемых изданиях, которые, по словам Теннанта, являются "подходящим завершением проекта".

Обнаружение нестабильных полостей

CEBAF, пользовательский центр Министерства энергетики США, стал первым в мире крупномасштабным применением технологии SRF. В нем используется пара линейных ускорителей SRF, или linacs, сконфигурированных в виде подземной гоночной трассы, для получения высокоэнергетического пучка поляризованных электронов.

Луч с околосветовой скоростью проходит через сверхохлаждаемые криомодули, каждый из которых содержит восемь полостей SRF, и попадает в выбранную цель в одном из четырех экспериментальных залов.

Ученые узнают больше о структуре ядра, изучая элементарные частицы, которые образуются в результате столкновений.

Поддержание стабильности в полостях SRF - это постоянная задача. Даже если нестабильность не приводит к смещению балки, она может оказывать другие неблагоприятные воздействия на соединительные элементы.

"Их непредсказуемое поведение может нарушить работу ускорителя, сократив время получения луча и повлияв на качество результатов исследований", - сказал Хэл Фергюсон, аспирант Университета Олд Доминион (ODU) в Норфолке и ассистент Тернера по данному конкретному проекту.

"Такие события занимают примерно 15% рабочего времени и вызывают задержки в исследовательской деятельности и сборе данных. Нестабильная полость может привести к отключениям, которые происходят несколько раз в час, пока не будут выявлены".

Фергюсон специализируется на использовании моделей машинного обучения для обнаружения аномалий в системах кибербезопасности. Для этого проекта он разработал методы машинного обучения, направленные на выявление нестабильности и аномального поведения.

В рамках этой работы инженеры Jefferson Lab разработали более быструю высокочастотную систему сбора данных, которая измеряет поведение резонатора со скоростью 5 кГц, или 5000 раз в секунду, что значительно быстрее, чем при традиционной частоте дискретизации 1 Гц, равной одному разу в секунду. Это позволило им фиксировать временные события и едва заметные аномалии в режиме реального времени, которые в противном случае остались бы незамеченными.

Затем они применили анализ основных компонентов, метод машинного обучения без контроля, для анализа этих данных и выявления аномального поведения путем изучения нормальных режимов работы полостей.

"Общая картина заключается в том, что мы используем модель машинного обучения, чтобы узнать, как выглядит "нормальная" полость для каждой полости", - сказал Фергюсон. "Затем, постоянно сравнивая новые данные с исходными данными, система может определить, когда полость ведет себя нормально, а когда нет.

"Успех нашей системы дает веские основания для включения высокочастотного сбора данных и ML-аналитики в режиме реального времени в разработку будущих ускорителей", - сказал Фергюсон.

Система была развернута и использовалась в CEBAF, но во время последнего оперативного запуска весной 2024 года она работала всего несколько недель. Теперь она готова к запланированным экспериментальным запускам на 2025 год.

Их статья "Обнаружение аномального поведения резонатора SRF с помощью неконтролируемого обучения" была опубликована в журнале Physical Review Accelerators and Beams.

Прогнозирование неисправностей

Возможность прогнозировать неисправность резонатора дает бесценную возможность вмешаться и запустить стратегии по устранению неполадок, чтобы в первую очередь предотвратить простои beam.

Доктор медицинских наук Монибор Рахман, докторант лаборатории технического зрения факультета электротехники и вычислительной техники ODU, работал с Теннантом над концептуальным моделированием для этого второго проекта.

По словам Рахмана, успешно прогнозировать неисправности непросто. Для этого требуется проанализировать несколько различных сигналов от каждого резонатора SRF, чтобы отличить нормальную работу от неисправности. Признаки предварительной неисправности могут варьироваться от одного резонатора к другому, поэтому каждый контролируемый резонатор должен иметь свою уникальную модель.

В то время как некоторые неисправности развиваются постепенно, другие проявляются внезапно, без каких-либо явных предупреждающих признаков, поэтому команде пришлось сосредоточиться на прогнозировании медленно развивающихся неисправностей. Поскольку ошибочное прогнозирование неисправности может привести к ненужным вмешательствам, важно найти правильный баланс между тем, что является предварительной неисправностью, а что нет.

Их проект включал в себя сбор и обработку больших наборов данных о нормальных и предаварийных сигналах резонатора, предварительную обработку данных и обучение модели различению стабильных и предаварийных состояний.

Теннант отметил, что в настоящее время система не может быть развернута в CEBAF из-за фундаментальных аппаратных ограничений. Например, полости SRF не предназначены для передачи потоковых данных в режиме реального времени, которые были бы необходимы для использования системы во время операций.

Вместо этого команда использовала данные за два разных периода работы CEBAF, чтобы создать отдельный набор данных, предназначенный для имитации того, что увидела бы модель, если бы она была развернута в CEBAF.

Результаты были впечатляющими.

"Модель прогнозирования неисправностей смогла правильно предсказать 80% медленно развивающихся неисправностей резонатора SRF, сохраняя при этом точность определения нормальных условий эксплуатации на уровне 99,99%", - сказал Рахман. "Это подтвердило способность модели различать нормальные и неисправные условия в сильно несбалансированном наборе данных, доказав ее потенциал для развертывания в режиме реального времени".

Их статья "Ускорение прогнозирования полостных дефектов с помощью глубокого обучения в лаборатории Джефферсона" появилась в журнале Machine Learning: Science and Technology в 2024 году.

Управление автоэлектронной эмиссией

Одним из основных факторов, ограничивающих работу резонаторов SRF, является автоэлектронная эмиссия. Автоэлектронная эмиссия состоит из электронов, которые находятся внутри ускорителя, но не являются частью самого строго контролируемого электронного пучка.

Эти посторонние электроны могут вызвать неблагоприятное излучение внутри машины, которое может создавать помехи для электронного пучка, повреждать компоненты ускорителя частиц или инфраструктуру или создавать горячие точки, которые продолжают излучать радиацию. Например, активация в результате нейтронного излучения, генерируемого электронами, испускаемыми полем, может представлять опасность в течение нескольких дней, недель или месяцев после прекращения работы SRF.

Основным источником полевой эмиссии являются электроны, возникающие на стенках резонатора SRF. При работе CEBAF операторы контролируют, какое напряжение подается на каждый резонатор для ускорения пучка. Электроны, излучаемые полем, могут исходить из резонатора, если его напряжение слишком велико. Напряжение, которое запускает электромагнитное излучение в полости, зависит от уникальной истории и характеристик полости.

В настоящее время операционный персонал управляет электромагнитным излучением, вручную регулируя напряжение во всех 416 полостях в CEBAF и отслеживая уровни излучения.

Как только они определяют, какие полости вызывают излучение, они понижают напряжение в опасной полости и повышают напряжение в других полостях, чтобы компенсировать потерю энергии. Это продолжается на протяжении всего запланированного запуска ускорителя, поскольку в любой момент может неожиданно возникнуть электромагнитное излучение.

Карпентер и Сулейман возглавляли этот проект. Карпентер - эксперт в области компьютерных наук и машинного обучения, который работает в группе управления ускорителями лаборатории почти 15 лет, а Сулейман - штатный научный сотрудник Центра инжекторов и источников в Лаборатории Джефферсона.

Они пригласили Стивена Голденберга, который уже третий год работает постдокторантом в отделе обработки данных лаборатории, специализируясь на машинном обучении с приложениями в ускорителях и физике элементарных частиц.

Команда решила проблему, установив различные уровни напряжения на линиях связи и измерив реакцию на излучение. Затем они обучили набор суррогатных моделей машинного обучения для каждого детектора излучения и использовали автономный алгоритм оптимизации, чтобы определить настройки напряжения для уменьшения излучения, но при этом обеспечить экспериментаторов необходимым лучом. Затем эти настройки были реализованы на компьютере linac.

Модели оказались успешными.

В ходе одной из демонстраций, подтверждающих эффективность концепции, команда обнаружила, что они могут снизить уровень радиации на целых 45% по сравнению с тем местом, где в настоящее время работает CEBAF, что свидетельствует о том, что хорошо зарекомендовавшие себя инструменты машинного обучения могут быть использованы для моделирования и минимизации выбросов в полевых условиях без постоянного ручного вмешательства.

В настоящее время они решают, как наилучшим образом внедрить свою работу в работу ускорителей частиц.

Их результаты, "Управляемая данными градиентная оптимизация для управления полевым излучением в сверхпроводящем радиочастотном Linac", были недавно опубликованы в журнале Physical Review Accelerators and Beams.

Источник