Partikelacceleratorer är bland de mest intrikata vetenskapliga instrument som någonsin utarbetats. Med miljontals sensorer och tusentals delsystem som riskerar att misslyckas måste dessa acceleratorers mänskliga operatörer kontinuerligt övervaka prestanda och kamma igenom ett hav av sensorer för att identifiera problem. Det är situationen vid Linac Coherent Light Source, en avdelning för energianvändaranläggning vid SLAC National Accelerator Laboratory.
Forskare har nu utvecklat en artificiell intelligens (AI) algoritm som efterliknar hur mänskliga operatörer närmar sig denna utmaning. Det automatiserade systemet håller ett öga på gaspedalen. Den varnar operatörer när prestanda sjunker och identifierar det specifika delsystemet som är ansvarigt. Detta kan förenkla acceleratordriften, minska stilleståndstiden och förbättra den vetenskapliga data som dessa verktyg samlar in. Forskningen publicerades i Physical Review Accelerators and Beams .
Den automatiserade AI-lösningen visar SLAC-operatörer vilka komponenter som bör stängas av och bytas ut för att hålla en accelerator igång dygnet runt. Förbättrad tillförlitlighet håller också fler delsystem online. Detta gör att gaspedalen kan nå sin fulla driftskapacitet. Denna AI-metod kan gynna många komplexa system. Det kan till exempel förbättra tillförlitligheten i andra experimentanläggningar, avancerade tillverkningsanläggningar, elnätet och kärnkraftverk.
Moderna acceleratorer registrerar miljontals dataströmmar, alldeles för många signaler för ett litet driftteam att övervaka i realtid och på ett tillförlitligt sätt undvika delsystemfel som leder till kostsamma driftstopp. Till exempel, i Linac Coherent Light Source, en av världens första röntgenlasrar, är fel i radiofrekvensstationerna (RF) som accelererar elektronerna en primär orsak till driftstopp och sämre prestanda.
En befintlig automatiserad algoritm försöker identifiera RF-stationsproblem, men nästan 70 % av algoritmens förutsägelser är falska positiva resultat, och operatörer tar till manuell inspektion för att identifiera RF-stationsavvikelser.
Inspirerad av operatörerna kör AI-metoden samtidigt anomalidetekteringsalgoritmer på både RF-stationsdiagnostik och shot-to-shot-mätningar av den slutliga strålkvaliteten. Ett fel förutsägs endast när båda algoritmerna samtidigt identifierar anomalier. Detta tillvägagångssätt – som nu ingår i kontrollrummet – kan vara helt automatiserat och identifierar fler händelser med färre falska positiva resultat än bara RF-stationsdiagnostiken.
Nyligen patentsökt arbete har utvidgat slumpkonceptet till algoritmer för djupinlärning, såsom neurala nätverk, som kan identifiera fel på rå, omärkt data utan expertinput. Forskare förväntar sig att dessa maskininlärningsdrivna algoritmer ska ha breda tillämpningar i komplexa system inom vetenskap och industri.
Mer information: Ryan Humble et al, Beam-baserad rf-stationsfelidentifiering vid SLAC Linac Coherent Light Source, Physical Review Accelerators and Beams (2022). DOI:10.1103/PhysRevAccelBeams.25.122804
Tillhandahålls av US Department of Energy
