• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  science >> Scienza >  >> Fisica
    L'acceleratore di modelli dei ricercatori magnetizza la cronologia utilizzando un approccio di apprendimento automatico

    Un magnete su un banco di prova all'interno dello SLAC National Accelerator Laboratory. I ricercatori hanno creato un modello di apprendimento automatico che aiuterà a prevedere le prestazioni dei magneti durante gli esperimenti sui fasci, tra le altre applicazioni. Credito:Scott Anderson, SLAC National Accelerator Laboratory

    Dopo una lunga giornata di lavoro, potresti sentirti stanco o euforico. Ad ogni modo, sei influenzato da ciò che ti è successo in passato.

    I magneti dell'acceleratore non sono diversi. Ciò che hanno passato, o ciò che li ha attraversati, come una corrente elettrica, influisce sul modo in cui si esibiranno in futuro.

    Senza comprendere il passato di un magnete, i ricercatori potrebbero aver bisogno di ripristinarlo completamente prima di iniziare un nuovo esperimento, un processo che può richiedere 10 o 15 minuti. Alcuni acceleratori hanno centinaia di magneti e il processo può diventare rapidamente dispendioso in termini di tempo e denaro.

    Ora un team di ricercatori dello SLAC National Accelerator Laboratory del Dipartimento dell'Energia e di altre istituzioni ha sviluppato una potente tecnica matematica che utilizza concetti dell'apprendimento automatico per modellare gli stati precedenti di un magnete e fare previsioni sugli stati futuri. Questo nuovo approccio elimina la necessità di reimpostare i magneti e si traduce in un miglioramento immediato delle prestazioni dell'acceleratore.

    "La nostra tecnica cambia radicalmente il modo in cui prevediamo i campi magnetici all'interno degli acceleratori, il che potrebbe migliorare le prestazioni degli acceleratori in tutto il mondo", ha affermato lo scienziato associato dello SLAC Ryan Roussel. "Se la storia di un magnete non è ben nota, sarà difficile prendere future decisioni di controllo per creare il raggio specifico di cui hai bisogno per un esperimento."

    Il modello del team esamina un'importante proprietà dei magneti nota come isteresi, che può essere considerata come magnetismo residuo (o residuo). L'isteresi è come l'acqua calda rimasta nei tubi della doccia dopo aver spento l'acqua calda. La tua doccia non diventerà immediatamente fredda:l'acqua calda rimasta nei tubi deve defluire dal soffione prima che rimanga solo acqua fredda.

    "L'isteresi rende difficile la messa a punto dei magneti", ha affermato Auralee Edelen, scienziata associata dello SLAC. "Le stesse impostazioni in un magnete che ieri hanno prodotto una dimensione del raggio potrebbero comportare una dimensione del raggio diversa oggi a causa dell'effetto dell'isteresi."

    Il nuovo modello del team elimina la necessità di ripristinare i magneti con la stessa frequenza e può consentire sia agli operatori delle macchine che agli algoritmi di ottimizzazione automatizzata di vedere rapidamente il loro stato attuale, rendendo visibile ciò che una volta era invisibile, ha affermato Edelen.

    Dieci anni fa, molti acceleratori non avevano bisogno di considerare la sensibilità agli errori di isteresi, ma con strutture più precise come LCLS-II di SLAC in linea, prevedere il magnetismo residuo è più critico che mai, ha affermato Roussel.

    Il modello di isteresi potrebbe anche aiutare le strutture di accelerazione più piccole, che potrebbero non avere tanti ricercatori e ingegneri per ripristinare i magneti, a eseguire esperimenti di maggiore precisione. Il team spera di implementare il metodo su un set completo di magneti in una struttura di accelerazione e dimostrare un miglioramento dell'accuratezza predittiva su un acceleratore operativo. + Esplora ulteriormente

    Un nuovo metodo di apprendimento automatico semplifica le operazioni dell'acceleratore di particelle




    © Scienza https://it.scienceaq.com