論文の概要: Explainable Machine Learning for Breakdown Prediction in High Gradient RF Cavities

• arxiv url: http://arxiv.org/abs/2202.05610v1
• Date: Thu, 10 Feb 2022 07:32:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 10:24:03.102555
• Title: Explainable Machine Learning for Breakdown Prediction in High Gradient RF Cavities
• Title（参考訳）: 高勾配RF空洞における破壊予測のための説明可能な機械学習
• Authors: Christoph Obermair, Thomas Cartier-Michaud, Andrea Apollonio, William Millar, Lukas Felsberger, Lorenz Fischl, Holger Severin Bovbjerg, Daniel Wollmann, Walter Wuensch, Nuria Catalan-Lasheras, Mar\c{c}\`a Boronat, Franz Pernkopf, Graeme Burt
• Abstract要約: 分解は、粒子加速器のRFキャビティにおいて最も多い制限要因の1つである。 本稿では,CERN のコンパクト線形前駆体における分解衝突を発見するための機械学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 7.39531359499484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio Frequency (RF) breakdowns are one of the most prevalent limiting factors in RF cavities for particle accelerators. During a breakdown, field enhancement associated with small deformations on the cavity surface results in electrical arcs. Such arcs lead to beam aborts, reduce machine availability and can cause irreparable damage on the RF cavity surface. In this paper, we propose a machine learning strategy to discover breakdown precursors in CERN's Compact Linear Collider (CLIC) accelerating structures. By interpreting the parameters of the learned models with explainable Artificial Intelligence (AI), we reverse-engineer physical properties for deriving fast, reliable, and simple rule based models. Based on 6 months of historical data and dedicated experiments, our models show fractions of data with high influence on the occurrence of breakdowns. Specifically, it is shown that in many cases a rise of the vacuum pressure is observed before a breakdown is detected with the current interlock sensors.
• Abstract（参考訳）: 高周波破壊は粒子加速器のrfキャビティにおける最も一般的な制限因子の1つである。 破壊の間、キャビティ表面の小さな変形に伴う電界の強化は電気アークを生じさせる。 このようなアークはビームの停止を招き、機械の可用性を低下させ、RFキャビティ表面に不可分な損傷を与える。 本稿では,CERNのコンパクト線形衝突器(CLIC)加速構造における破壊前駆体を発見する機械学習手法を提案する。 説明可能な人工知能(ai)を用いて学習モデルのパラメータを解釈することにより、高速で信頼性が高く、単純なルールベースモデルを引き出すための物理特性をリバースエンジニアリングする。 6ヶ月の過去のデータと専用の実験に基づいて,モデルでは,故障の発生に強い影響を持つデータの割合を示す。 具体的には、現在のインターロックセンサで故障が検出される前に真空圧の上昇が観測されることが多い。

関連論文リスト

• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Automated Anomaly Detection on European XFEL Klystrons [1.9389881806157316]
  高出力マルチビームクライストロンは、欧州XFELでRFを増幅するための重要な構成要素である。 様々な操作モードを判定し,特徴抽出と次元還元を行う実験を行った。 私たちは、Klystronの運用状態の理解を深める上で最も有望なコンポーネントを認識し、可能性のある障害や異常を早期に特定しました。
  論文  参考訳（メタデータ） (2024-05-20T21:59:07Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Deep Learning-Based Spatiotemporal Multi-Event Reconstruction for Delay Line Detectors [0.0]
  マルチヒット粒子信号の位置と時刻を同定・再構成するための時間的機械学習モデルを提案する。 このモデルは、古典的なアプローチに比べて、近隣の粒子の衝突に対してはるかに優れた分解能を達成する。 機械学習モデルは遅延線検出器の時間的性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-13T09:29:22Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• PreFallKD: Pre-Impact Fall Detection via CNN-ViT Knowledge Distillation [8.667056236149918]
  本稿では,CNN-ViT の知識蒸留,すなわち PreFallKD を用いて,検出性能と計算複雑性のバランスをとるために,新しい影響前の転倒検出法を提案する。 提案したPreFallKDは,事前学習した教師モデルから生徒モデルに検出知識を伝達する。 実験の結果、PreFallKDは試験期間中に学生モデルを強化し、信頼度の高いF1スコア(92.66%)とリードタイム(551.3ms)を達成することが示された。
  論文  参考訳（メタデータ） (2023-03-07T03:46:53Z)
• In situ detection of RF breakdown on microfabricated surface ion traps [0.0]
  表面イオントラップは、多くのイオンベースの量子情報科学プラットフォームの基本コンポーネントである。 印加された高周波(RF)電圧が過大に増加すると、デバイスはRF分解と呼ばれる損傷的な放電現象を経験する。 RF破壊のその場検出のための2つの新しい手法を紹介した。
  論文  参考訳（メタデータ） (2021-12-17T19:06:27Z)
• Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator [47.187609203210705]
  本稿では、不確実性を考慮した機械学習手法、シームズニューラルネットワークモデルの適用について述べる。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。
  論文  参考訳（メタデータ） (2021-10-22T18:37:22Z)
• Cavity optimization for Unruh effect at small accelerations [0.0]
  このような空洞内の場モードの密度は、共振構造、すなわち特定の空洞構成のために突然上昇することを示す。 キャビティ内の加速検出器は、そのような共鳴点周辺の小さな加速度に対して、非自明な励起と非励起速度を示すことを示す。
  論文  参考訳（メタデータ） (2021-06-30T18:10:44Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
  本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。 結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
  論文  参考訳（メタデータ） (2020-07-09T01:45:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。