机构名称：
¥ 2.0
简介和动机 在过去十年中，机器学习 (ML) 技术逐渐进入加速器社区。近年来，深度学习的快速发展，特别是用于控制系统应用的强化学习以及深度学习在嵌入式硬件中的可访问性，重新引起了人们的兴趣并催生了大量应用 [ 1 ]。费米实验室加速器综合体（如图 1 所示）已为高能物理 (HEP) 实验提供了近五十年的质子束。该实验室目前的重点是其世界一流的强度前沿实验项目。虽然增加光束强度确实有其自身的挑战，但在很多方面，保持光束大小同时最大限度地减少光束损失（通过与光束真空管相互作用而损失的粒子）才是主要挑战。加速器通过数十万个设备的复杂系统进行控制。使用 ML 方法实现对其参数的微调和实时优化并超越人类操作员基于经验的推理是未来强度升级成功的关键。我们的目标是将 ML 集成到加速器操作中，此外，提供一个可访问的框架，该框架也可被具有动态调整需求的其他广泛加速器系统使用。为了成功最大限度地发挥 ML 的应用优势，我们将考虑以下几点：实时边缘 ML 系统优化：加速器涉及电源、射频和其他控制系统的复杂调节回路阵列。调节回路的增益针对操作进行手动优化和修复。实际上，光束分布和强度是在加速过程中变化的动态量。因此，这些动态系统理想情况下应该以近乎实时的方式重新检查操作条件。这需要一个能够在足够短的毫秒时间尺度上对系统变化做出反应的 ML 模型。快速、智能的分布式系统：由于粒子加速器的物理规模很大，控制系统往往分布在整个设施中。因此，优化每台机器的性能以及综合体的整体性能意味着需要一个快速的数据传输系统，允许子系统、机器和负责运行 ML 算法的计算机资源之间进行实时通信。我们的项目 Accelerator READS 将开发 ML 方法及其在大型加速器系统中的边缘实现。费米实验室在开发用于系统控制的实时嵌入式边缘 ML 设备方面处于领先地位，并利用 ML 提高了 HEP 实验的效率和准确性，例如紧凑型μ子螺线管 (CMS) 实验 [ 2 ]。利用内部实验室指导的研究和开发 (LDRD) 计划，费米实验室已经证明单个 ML 系统可以提高加速器性能。然而，将嵌入式 ML 系统连接在一起以协调分析和控制多个复杂结构尚未实现。将这项技术应用于加速器将使费米实验室加速器设施向快速、分布式和高性能控制和操作迈进。加速器 READS 产生的方法和工具将与各种复杂和分布式控制器的设计相关。我们将通过两个重要的实验来证明我们提案的有效性：Mu2e 溢出调节系统和主喷射器 (MI) 和循环器环 (RR) 光束损耗的去混合。
项目名称：分布式系统加速器实时边缘人工智能（READS）
主要关键词
相关文件推荐
