Operatörer av den primära partikelacceleratorn vid U.S. Department of Energy's Thomas Jefferson National Accelerator Facility får ett nytt verktyg för att hjälpa dem att snabbt lösa problem som kan förhindra att det går smidigt. Ett nytt maskininlärningssystem har klarat sitt första två veckors test, korrekt identifiera glitchy acceleratorkomponenter och vilken typ av glitches de upplever i nästan realtid.

En analys av resultaten av det första fälttestet av det specialbyggda maskininlärningssystemet publicerades nyligen i Fysisk granskningsacceleratorer och strålar .

Den kontinuerliga elektronstrålacceleratoranläggningen, en DOE -användaranläggning, har en unik partikelaccelerator som kärnfysiker använder för att utforska materiens hjärta. CEBAF drivs av supraledande radiofrekvenshålrum, som är strukturer som gör det möjligt för CEBAF att ge energi till elektronstrålar för experiment.

"Maskinens hjärta är dessa SRF -håligheter, och ganska ofta, dessa kommer att resa. När de reser, vi skulle vilja veta hur vi ska reagera på dessa resor. Tricket är att förstå mer om resan:vilket hålrum har snubblat och vilken typ av fel det var, "sa Chris Tennant, en Jefferson Lab -personalvetare vid Center for Advanced Studies of Accelerators.

Expertacceleratorforskare granskar information om dessa fel och kan använda den för att avgöra var felet började och vilken typ av fel det är, därmed informera CEBAF -operatörer om det bästa sättet att återhämta sig från felet och mildra framtida. Dock, att expertgranskning tar tid som operatörer inte har när experiment pågår.

I slutet av 2019, Tennant och ett team av CEBAF-acceleratorsexperter bestämde sig för att bygga ett maskininlärningssystem för att utföra den här granskningen i realtid.

De arbetade med flera olika grupper för att designa och bygga från början ett anpassat datainsamlingssystem för att hämta information om kavitetsprestanda från ett digitalt lågnivå-RF-system som är installerat på de nyaste delarna av partikelaccelerator i CEBAF, som inkluderar ungefär en femtedel av SRF-hålrummen i CEBAF. Lågnivå-RF-systemet mäter ständigt fältet i SRF-håligheter och justerar signalen för var och en för att säkerställa att de fungerar optimalt.

När ett hålrum går sönder, datainsamlingssystemet för maskininlärning drar 17 olika signaler för varje hålighet från det digitala lågnivå-RF-systemet för analys.

"Vi använder informationrik information och gör den till användbar information, " han sa.

Samma informationsrika data används av acceleratorsexperter för att identifiera felhålor och orsaker. Dessa tidigare analyser användes för att träna maskininlärningssystemet före distribution.

Det nya systemet installerades och testades under CEBAF-verksamheten under en första tvåveckorsperiod i början av mars 2020.

"Under de två veckorna, vi hade några hundra fel som vi kunde analysera, och vi fann att våra maskininlärningsmodeller var korrekta till 85%, för vilka kaviteten först gjorde fel och 78% för att identifiera typen av fel, så det handlar om lika mycket som en enda ämnesexpert, "Förklarade Tennant.

Denna återkoppling i realtid innebär att CEBAF-operatörer kan vidta omedelbara åtgärder för att mildra problem som uppstår i maskinen under experimentella körningar, och förhoppningsvis förhindra att mindre problem blir till större som kan minska experimentens körtid.

"Tanken är så småningom, ämnesexperterna behöver inte lägga all tid på att titta på uppgifterna själva för att identifiera fel, " han sa.

Nästa steg för Tennant och hans team är att analysera data från en andra och längre testperiod som ägde rum på sensommaren. Om systemet utfördes så bra som det första testet indikerar, laget hoppas kunna påbörja konstruktioner för att utöka systemet till att omfatta äldre SRF -håligheter i CEBAF.

Detta projekt föreslogs och finansierades ursprungligen genom Jefferson Labs Laboratory Directed Research &Development -program för räkenskapsåret 2020, och det valdes senare av DOE för ett bidrag på 1,35 miljoner dollar för att utnyttja maskininlärning för att revolutionera experiment och drift på användaranläggningar under de kommande åren.

"Det här var ett princip-bevis-projekt. Det var något mer riskabelt, för flera år sedan, när detta projekt föreslogs, ingen av oss i teamet visste något om maskininlärning. Vi bara hoppade in, "Sa Tennant." Så, ibland lönar det sig att stödja de projekt med högre risk/högre belöning som verkligen lönar sig. "