相关分类
最新研究
高功率射频设备和加速器组件的多路分量分解预测的受监督机器学习框架:平面几何学案例研究
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。
使用热薄壳近似的加速器磁铁的瞬态有限元素模拟
超导磁体的热瞬态响应可以使用有限元(FE)方法进行模拟。 一些加速器磁铁使用电缆,其电绝缘比光秃秃的电导体要薄得多。 用高质量的网格对此类几何形状进行 FE 离散化,导致许多自由度。 这增加了计算时间,特别是因为涉及非线性材料特性。 在这项工作中,我们建议使用热薄壳近似(TSA)来提高在以二维中求散热方程时的计算效率。 我们应用该方法计算用于CERN大型强子对撞机(LHC)和高发光LHC的超导加速器磁铁的热瞬态响应。 TSA将薄薄的电气绝缘层坍塌成线,同时准确地表示绝缘厚度的热梯度。 TSA是在开源有限元素淬火模拟器(FiQuS)的多极模块中实现的,该模块可以从输入文本文件以编程方式生成多极磁铁模型。 首先,TSA方法通过与传统的FE模拟进行验证,具有网状表面绝缘区域,用于简单的四根电缆块和MBH偶极子的详细模型。 结果表明,TSA方法显著减少了计算时间,同时保持了解决方案的准确性。 其次,使用TSA方法计算的淬火加热器(QH)延迟与MBH磁铁的测量值进行比较。 为此,热瞬态模拟与磁静性溶液耦合,以考虑磁阻效应。 第三,TSA的全部能力在几种LHC和HL-LHC超导磁体模型的非线性磁热模拟中展示。 完整的源代码,包括所有输入文件,是公开的。
先进的空间测绘技术集成了可调滤波器的多状态调谐驱动多物理场优化的共享粗模型
本文介绍了一种先进的空间映射(SM)技术,该技术应用基于共享电磁(EM)的粗模型,用于可调滤波器的多态调谐驱动多物理场优化。 SM方法将EM单物理场模拟的计算效率与多物理场模拟的精度相结合。 共享粗模型基于与各种不可调谐设计参数值对应的 EM 单物理响应。 相反,实现精细模型以划定有关不可调和可调设计参数值的多物理场响应的行为。 拟议的整体代理模型包括多个子代孕模型,每个模型由一个共同的粗模型和两个不同的映射神经网络组成。 提交的EM单物理中共享粗模型的响应为提交的多物理场中的精细响应提供了合适的近似值,而映射神经网络促进了从EM单物理场向多物理场的过渡。 每个子导体模型都保持一致的非可调设计参数值,但具有独特的可调设计参数值。 通过开发多个子启动模型,可以同时为每个调优状态执行优化。 非可调设计参数值受所有调谐状态的限制,而可调设计参数值仅限于各自的调谐状态。 这种优化技术同时解释了所有调谐状态,以满足必要的多个调谐状态要求。 多个EM和多物理场训练样本同时生成,以开发替代模型。 与现有的直接多物理场参数化建模技术相比,我们提出的方法实现了卓越的多物理场建模精度,减少了训练样本,降低了计算成本。
使用Luenberger观察者估计超导腔带宽和调谐
由于超导技术的进步,预计未来十年将有几个连续波直线加速器。 对于这些机器来说,跟踪主空腔参数至关重要,例如谐振器带宽和调谐器。 带宽产生关于空腔超导状态的信息。 应尽量减少矫正,以限制操作腔体所需的功率。 这些参数的估计通常实现在低水平射频控制系统的数字电子学中,以尽量减少计算延迟。 在本过程中,我们介绍了一种使用 Luenberger 观察者计算带宽和调谐的方法。 与以前的方法相反,状态观察者以本机控制系统样本速率产生估计,而无需显式过滤输入信号。 此外,可以通过调整增益参数直观地控制估计的错误收敛性。 稿件中介绍了对派生观察员的实施情况考虑和测试结果。
通过物理启发模拟和深度组合在非线性动态系统中进行异常预测的混合元学习框架
我们提出了一个混合元学习框架,用于以非静止和随机行为为特征的非线性动态系统中的预测和异常检测。 该方法集成了一个物理启发的模拟器,通过随机扰动捕获非线性生长-放松动力学,代表许多复杂的物理,工业和网络物理系统。 我们使用CNN-LSTM架构进行时空特征提取,用于无监督异常评分的变奏自动编码器(VAE),以及用于基于残余的异常检测的隔离森林,以及双阶段注意力递归神经网络(DA-RNN)用于在生成的模拟数据之上进行一步预测。 为了创建复合异常预测,这些模型使用元学习者组合,该元学习者结合了预测输出,重建错误和剩余分数。 根据基于模拟的实验,混合集成在异常定位、泛化和稳健性到非线性偏差方面比独立模型性能更好。 该框架为非线性系统的早期缺陷识别和预测监测提供了广泛的数据驱动方法,这可能应用于可能无法访问的完整物理模型的各种场景。
Geoff:粒子加速器控制通用优化框架前端
Geoff是Python软件包的集合,构成了粒子加速器控制自动化的框架。 随着世界各地的粒子加速器实验室研究机器学习技术以提高加速器性能和正常运行时间,出现了多种方法和算法。 Geoff的目的是协调这些方法,并在它们之间比较或迁移时尽量减少摩擦。 它为优化问题提供了标准化的接口,用于加速开发的实用功能,以及将一切连接在一起的参考GUI应用程序。 Geoff是CERN开发的开源库,作为EURO-LABS项目的一部分,CERN和GSI合作进行维护和更新。 本文概述了Geoff的设计、功能和当前使用情况。
AI辅助传输放射性电离体
放射性重离子的束使研究人员能够研究罕见和不稳定的原子核,将光射入异国情调核的内部结构以及化学元素如何在恒星中形成。 然而,放射性光束的提取和运输依赖于耗时的专家驱动的调谐方法,其中数百个参数被手动优化。 在这里,我们引入了一个采用人工智能(AI)的系统,特别是利用贝叶斯优化,以协助放射性光束的运输过程。 我们将我们的方法论应用于与标准调优方法相比显示优势的现实生活场景。 这种人工智能辅助方法可以扩展到世界各地的其他放射性光束设施,以提高运营效率并提高科学产出。
No more items to load.