A Supervised Machine Learning Framework for Multipactor Breakdown Prediction in High-Power Radio Frequency Devices and Accelerator Components: A Case Study in Planar Geometry
Asif Iqbal, John Verboncoeur, and Peng Zhang
Multipactor是一种非线性电子雪崩现象,可以严重损害大功率射频(RF)器件和加速器系统的性能。 在不同材料和操作机制中,对多条路器易感性的准确预测仍然是加速器组件设计和射频工程中一个关键但计算密集型的挑战。 这项研究首次应用了监督机器学习(ML),用于预测双表面平面几何中的多模式易感性。 一个跨越六个不同二次电子屈服(SEY)材料配置文件的模拟衍生数据集用于训练回归模型 - 包括随机森林(RF),额外树(ET),极端梯度提升(XGBoost)和漏斗结构多层感知器(MLP) - 预测时间平均电子增长率,δ_avg。 使用Intersection over Union(IoU)、Structuresimity Index(SSIM)和Pearson相关系数来评估性能。 基于树的模型在跨不连接材料域的推广方面一直优于MLP。 使用标量目标函数训练的MLP在贝叶斯超参数优化期间结合IoU和SSIM与5倍交叉验证,优于采用单目标损失函数训练的MLP。 主要成分分析表明,某些材料的性能下降源于不连接的特征空间分布,这突出表明需要更广泛的数据集覆盖范围。 这项研究展示了基于ML的多模式预测的前景和局限性,并为高级射频和加速器系统设计中的加速数据驱动建模奠定了基础。
Multipactor is a nonlinear electron avalanche phenomenon that can severely impair the performance of high-power radio frequency (RF) devices and accelerator systems. Accurate prediction of multipactor susceptibility across different materials and operational regimes remains a critical yet computationally intensive challenge in accelerator component design and RF engineering. This study presents the first application of supervised machine learning (ML) for predicting multipactor susceptibility in...