Gli acceleratori di particelle sono tra gli strumenti scientifici più complessi mai ideati. Con milioni di sensori e migliaia di sottosistemi a rischio di guasto, gli operatori umani di questi acceleratori devono monitorare continuamente le prestazioni e setacciare un mare di sensori per identificare i problemi. Questa è la situazione presso la Linac Coherent Light Source, una struttura per gli utenti del Dipartimento dell'Energia presso lo SLAC National Accelerator Laboratory.
I ricercatori hanno ora sviluppato un algoritmo di intelligenza artificiale (AI) che imita il modo in cui gli operatori umani affrontano questa sfida. Il sistema automatizzato tiene d'occhio l'acceleratore. Avvisa gli operatori quando le prestazioni diminuiscono e identifica il sottosistema specifico responsabile. Ciò può semplificare il funzionamento dell'acceleratore, ridurre i tempi di inattività e migliorare i dati scientifici raccolti da questi strumenti. La ricerca è stata pubblicata in Physical Review Accelerators and Beams .
La soluzione AI automatizzata mostra agli operatori SLAC quali componenti dovrebbero essere spenti e sostituiti per mantenere un acceleratore in funzione 24 ore su 24. La maggiore affidabilità mantiene inoltre online un maggior numero di sottosistemi. Ciò consente all'acceleratore di raggiungere la sua piena capacità operativa. Questo approccio basato sull’intelligenza artificiale potrebbe avvantaggiare molti sistemi complessi. Ad esempio, potrebbe migliorare l'affidabilità di altre strutture sperimentali, impianti di produzione avanzati, rete elettrica e centrali nucleari.
I moderni acceleratori registrano milioni di flussi di dati, troppi segnali perché un piccolo team operativo possa monitorarli in tempo reale ed evitare in modo affidabile guasti del sottosistema che portano a costosi tempi di inattività. Ad esempio, nel Linac Coherent Light Source, uno dei primi laser a raggi X al mondo, i guasti nelle stazioni a radiofrequenza (RF) che accelerano gli elettroni sono una delle cause principali di tempi di inattività e cali di prestazioni.
Un algoritmo automatizzato esistente tenta di identificare i problemi delle stazioni RF, ma quasi il 70% delle previsioni dell'algoritmo sono falsi positivi e gli operatori ricorrono all'ispezione manuale per identificare le anomalie delle stazioni RF.
Ispirato dagli operatori, il metodo AI esegue simultaneamente algoritmi di rilevamento delle anomalie sia sulla diagnostica della stazione RF che sulle misurazioni colpo per colpo della qualità del raggio finale. Un guasto viene previsto solo quando entrambi gli algoritmi identificano simultaneamente anomalie. Questo approccio, ora incorporato nella sala di controllo, può essere completamente automatizzato e identifica più eventi con meno falsi positivi rispetto alla sola diagnostica della stazione RF.
Un recente lavoro in attesa di brevetto ha esteso il concetto di coincidenza agli algoritmi di deep learning, come le reti neurali, che possono identificare errori su dati grezzi e senza etichetta senza il contributo di esperti. I ricercatori si aspettano che questi algoritmi basati sull'apprendimento automatico abbiano ampie applicazioni in sistemi complessi nel campo della scienza e dell'industria.
Ulteriori informazioni: Ryan Humble et al, Identificazione dei guasti della stazione RF basata su fasci presso la sorgente di luce coerente SLAC Linac, Acceleratori e fasci di revisione fisica (2022). DOI:10.1103/PhysRevAccelBeams.25.122804
Fornito dal Dipartimento dell'Energia degli Stati Uniti
