美国能源部为费米粒子加速器的机器学习提供资助

 

Fermilab的工程师和科学家正在为该实验室的加速器复合体设计机器学习程序。这些算法将使实验室节省能源，为加速器操作员提供更好的维护和系统性能指导，并更好地告知使用加速器的科学家的研究时间表。该试验系统将用于主注入器和回收站，如图所示它将最终扩展到整个加速器链。Photo: Reidar Hahn,Fermilab

美国能源部科学办公室已向费米实验室(Fermilab)拨款，以使用机器学习来提高费米实验室的粒子加速器的运行效率。这些为实验室的加速器综合体开发的机器学习算法将使实验室节省能源，为加速器操作员提供有关维护和系统性能的更好指导，并更好地为使用加速器的科学家提供研究时间表。费米实验室的工程师和科学家是美国最大的粒子加速器联合体的所在地，他们正在设计程序以在整个系统范围内运行，并跟踪该联合体的9个加速器运行所产生的所有数据。该试验系统将仅在少数加速器上使用，并计划将程序工具扩展到整个加速器链。

费米实验室的工程师比尔.佩利科(Bill Pellico)和加速器科学家Kiyomi Seiya领导着一支由工程师、软件专家和科学家组成的才华横溢的团队，致力于解决在两个不同方面使用机器学习的框架的部署和集成

解开复杂数据

佩利科说，为单个粒子加速器创建机器学习程序很困难，而费米实验室有9个。这项工作要求操作员立即跟踪所有单独的加速器子系统。“手动跟踪每个子系统的最佳性能是不可能的，”佩利科说。“来自所有这些不同系统的信息太多了。要监视我们拥有的数十万个设备并在它们之间进行某种关联，需要使用机器学习程序。”从各个子系统发出的诊断信号会形成一个庞大的信息网络，数据会显示在覆盖费米实验室主控制室墙壁的屏幕上，该控制室是加速器综合体的中央控制单元。

 

粒子加速器操作员可一次跟踪所有单独的加速器子系统。从各个子系统发出的诊断信号会形成一个庞大的信息网络，数据显示在覆盖费米实验室主控制室墙壁的屏幕上，这是加速器综合体的中央指挥部，如图所示。机器学习程序不仅可以跟踪信号，还可以快速确定需要操作员注意的特定系统。Photo: Reidar Hahn,Fermilab

这些数据,五彩缤纷的线条、图表和地图,可以让人应接不暇。在一个屏幕上，操作员可以看到使用加速器设备进行实验的科学家的数据请求。另一个屏幕可能会显示一个信号，即控制特定加速器中粒子束的磁铁需要维护。

现在，运营商必须进行他们自己的分类,识别并优先处理最重要的信号,从满足研究人员的要求到识别导致问题的组件。另一方面，机器学习程序不仅能够跟踪信号，而且能够快速确定需要操作员注意的特定系统。

佩利科说：“不同的加速器系统执行不同的功能，理想情况下，我们希望在一个系统上跟踪所有这些功能。”“一个能够独立学习的系统将解开网络的束缚，并为运营商提供信息，使他们能够在故障发生之前及时发现故障。”

原则上，当机器学习技术应用于如此大量的数据时，它将能够捕捉到系统中微小的、不寻常的变化，而这些变化通常会在加速器操作员每天看到的信号波中消失。例如，这种微调的监控可以在系统出现外部故障迹象之前提醒操作员需要进行维护。

比如说，这个程序让操作员注意到磁铁磁场强度的异常趋势或异常，这可能是磁铁变弱的迹象。高级警报将使操作员能够在它波及到粒子束或实验室实验的更大问题之前解决它。这些努力也有助于延长加速器硬件的使用寿命。

提高光束质量和增加机器正常运行时间

尽管总体机器学习框架将处理流经费米实验室加速器的无数信息，但一个单独的程序将跟踪(并跟上)来自粒子束本身的信息。

任何负责实时监测光粒子束速度的程序都需要非常灵敏。Seiya的团队将把机器学习程序编码到快速的计算机芯片上，以便在毫秒内测量和响应光束数据。

目前，加速器操作员监控整个运行情况，判断是否需要调整光束以满足特定实验的要求，而计算机系统有助于保持光束局部稳定。另一方面，机器学习程序将能够监控操作的全局和局部方面，实时提取关键束流信息，从而更快地改善束流质量，减少束流损失束流不可避免地损失到束流管壁上。

“来自加速器链的信息将通过这个系统，”负责光束质量机器学习项目的费米实验室科学家Seiya说。“然后，机器学习模型将能够为每个人找出最佳的行动。”

最佳操作取决于在给定时刻需要调整束流的哪个方向。例如，沿着粒子束线的监视器将向基于机器学习的程序发送信号，该程序将能够确定粒子是否需要额外的跳动，以确保粒子在束流管中以最佳位置运动。如果加速器中发生异常情况，程序可以通过扫描监视器的模式来决定是否必须停止光束。

每个人的工具

尽管每个加速器都有其特殊的需求，但在费米实验室装置的加速器束流机器学习程序可以适用于任何粒子加速器，为费米实验室以外的粒子加速器的操作员提供了一个范例。

Seiya说：“我们最终将创建一个供所有人使用的工具集。”“这些技术将为各地的加速器装置带来新的和独特的能力。只需稍加调整，我们开发的方法也可以在其他加速器复合体上实现。”

这套工具也将为实验室节省能源。佩利科估计，由于运行不理想、计划外维护和不必要的设备使用，加速器7%的能量被闲置。考虑到运行加速器所需的系统数量，这并不奇怪。他说，节能方面的改进有助于更环保的加速器操作，而机器学习是实验室实现这一目标的途径。

他说：“能源部的资助使我们离这个目标更近了一步。”

这种实时调谐的能力将在费米实验室Mu2e实验的束线和主注入器上进行演示，最终目标是将该程序整合到所有费米实验室的束线中。这包括即将到来的PIP-II加速器产生的束流，当它在20 20年代末上线时，它将成为费米实验室复合体的核心。PIP-II将为费米实验室主持的国际深地下中微子实验提供粒子束，以及为费米实验室研究计划的长期未来提供支持。

这两个实验室新的机器学习应用程序协同工作，将有利于加速器操作和实验室的粒子物理实验。通过处理来自大量数据的模式和信号，机器学习为科学家提供了他们所需要的工具，以进行尽可能最好的研究。