Gli operatori dell'acceleratore di particelle primario presso il Thomas Jefferson National Accelerator Facility del Dipartimento dell'Energia degli Stati Uniti stanno ottenendo un nuovo strumento per aiutarli a risolvere rapidamente i problemi che possono impedirne il corretto funzionamento. Un nuovo sistema di apprendimento automatico ha superato il primo test di due settimane, identificare correttamente i componenti dell'acceleratore glitch e il tipo di glitch che stanno riscontrando quasi in tempo reale.

Un'analisi dei risultati del primo test sul campo del sistema di apprendimento automatico costruito su misura è stata recentemente pubblicata in Acceleratori e fasci di revisione fisica .

L'impianto di accelerazione del fascio di elettroni continuo, una struttura per gli utenti DOE, dispone di un acceleratore di particelle unico che i fisici nucleari utilizzano per esplorare il cuore della materia. Il CEBAF è alimentato da cavità a radiofrequenza superconduttiva, che sono strutture che consentono al CEBAF di impartire energia a fasci di elettroni per esperimenti.

"Il cuore della macchina sono queste cavità SRF, e abbastanza spesso, questi viaggeranno. Quando viaggiano, vorremmo sapere come rispondere a quei viaggi. Il trucco è capire di più sul viaggio:quale cavità è scattata e che tipo di guasto è stato, "ha detto Chris Tennant, uno scienziato dello staff del Jefferson Lab nel Center for Advanced Studies of Accelerators.

Scienziati esperti di acceleratori esaminano le informazioni su questi guasti e possono utilizzarle per determinare dove è iniziato il guasto e di che tipo si tratta, informando così gli operatori del CEBAF sul modo migliore per recuperare dal guasto e mitigare quelli futuri. Però, che la revisione di esperti richiede tempo che gli operatori non hanno quando gli esperimenti sono in corso.

Alla fine del 2019, Tennant e un team di esperti di acceleratori CEBAF hanno deciso di creare un sistema di apprendimento automatico per eseguire tale revisione in tempo reale.

Hanno lavorato con diversi gruppi per progettare e costruire da zero un sistema di acquisizione dati personalizzato per estrarre informazioni sulle prestazioni della cavità da un sistema RF digitale a basso livello installato sulle sezioni più recenti dell'acceleratore di particelle nel CEBAF, che comprende circa un quinto delle cavità SRF nel CEBAF. Il sistema RF di basso livello misura costantemente il campo nelle cavità SRF e modifica il segnale per ciascuna di esse per garantire che funzionino in modo ottimale.

Quando una cavità si guasta, il sistema di acquisizione dati di apprendimento automatico estrae 17 segnali diversi per ciascuna cavità dal sistema RF digitale di basso livello per l'analisi.

"Stiamo sfruttando dati ricchi di informazioni e li trasformiamo in informazioni fruibili, " Egli ha detto.

Questi stessi dati ricchi di informazioni vengono utilizzati dagli esperti di acceleratori per aiutare a identificare le cavità e le cause dei guasti. Queste analisi precedenti sono state utilizzate per addestrare il sistema di apprendimento automatico prima della distribuzione.

Il nuovo sistema è stato installato e testato durante le operazioni del CEBAF per un periodo iniziale di due settimane all'inizio di marzo 2020.

"Per quelle due settimane, abbiamo avuto qualche centinaio di difetti che siamo stati in grado di analizzare, e abbiamo scoperto che i nostri modelli di apprendimento automatico erano accurati all'85% per il primo errore di cavità e al 78% nell'identificazione del tipo di errore, quindi si tratta di un singolo esperto in materia, "Tenne ha spiegato.

Questo feedback quasi in tempo reale significa che gli operatori del CEBAF possono adottare misure immediate per mitigare i problemi che si verificano nella macchina durante le corse sperimentali, e, si spera, impedire che problemi più piccoli si trasformino in problemi più grandi che possono ridurre il tempo di esecuzione degli esperimenti.

"L'idea è alla fine, gli esperti in materia non dovranno dedicare tutto il loro tempo a esaminare i dati stessi per identificare i guasti, " Egli ha detto.

Il prossimo passo per Tennant e il suo team è analizzare i dati di un secondo e più lungo periodo di test che ha avuto luogo alla fine dell'estate. Se il sistema eseguito così come il primo test indica, il team spera di iniziare i progetti per estendere il sistema per includere le cavità SRF più vecchie nel CEBAF.

Questo progetto è stato originariamente proposto e finanziato attraverso il programma di ricerca e sviluppo diretto dal laboratorio di Jefferson Lab per l'anno fiscale 2020, ed è stato successivamente selezionato dal DOE per una sovvenzione di $ 1,35 milioni per sfruttare l'apprendimento automatico per rivoluzionare la sperimentazione e le operazioni presso le strutture degli utenti nei prossimi anni.

"Questo era un progetto di prova di principio. Era un po' più rischioso, perché molti anni fa, quando questo progetto è stato proposto, nessuno di noi del team sapeva nulla dell'apprendimento automatico. Siamo semplicemente saltati dentro, " Disse Tennant. "Allora, a volte sostenere quei progetti ad alto rischio/più alto rendimento ripaga davvero."