論文の概要: Multipoint-BAX: A New Approach for Efficiently Tuning Particle
Accelerator Emittance via Virtual Objectives
- arxiv url: http://arxiv.org/abs/2209.04587v5
- Date: Tue, 19 Dec 2023 23:40:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 19:37:27.411183
- Title: Multipoint-BAX: A New Approach for Efficiently Tuning Particle
Accelerator Emittance via Virtual Objectives
- Title（参考訳）: Multipoint-BAX:仮想オブジェクトによる効率的な粒子加速器エミタンス調整のための新しいアプローチ
- Authors: Sara A. Miskovich, Willie Neiswanger, William Colocho, Claudio Emma,
Jacqueline Garrahan, Timothy Maxwell, Christopher Mayes, Stefano Ermon,
Auralee Edelen, Daniel Ratner
- Abstract要約: マルチポイントクエリにおけるブラックボックス最適化のための情報理論アルゴリズムであるMultipoint-BAXを提案する。
我々はマルチポイントBAXを用いてLinac Coherent Light Source(LCLS)とAdvanced Accelerator Experimental Tests II(FACET-II)の発光を最小化する。
- 参考スコア（独自算出の注目度）: 47.52324722637079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although beam emittance is critical for the performance of high-brightness
accelerators, optimization is often time limited as emittance calculations,
commonly done via quadrupole scans, are typically slow. Such calculations are a
type of $\textit{multipoint query}$, i.e. each query requires multiple
secondary measurements. Traditional black-box optimizers such as Bayesian
optimization are slow and inefficient when dealing with such objectives as they
must acquire the full series of measurements, but return only the emittance,
with each query. We propose a new information-theoretic algorithm,
Multipoint-BAX, for black-box optimization on multipoint queries, which queries
and models individual beam-size measurements using techniques from Bayesian
Algorithm Execution (BAX). Our method avoids the slow multipoint query on the
accelerator by acquiring points through a $\textit{virtual objective}$, i.e.
calculating the emittance objective from a fast learned model rather than
directly from the accelerator. We use Multipoint-BAX to minimize emittance at
the Linac Coherent Light Source (LCLS) and the Facility for Advanced
Accelerator Experimental Tests II (FACET-II). In simulation, our method is
20$\times$ faster and more robust to noise compared to existing methods. In
live tests, it matched the hand-tuned emittance at FACET-II and achieved a 24%
lower emittance than hand-tuning at LCLS. Our method represents a conceptual
shift for optimizing multipoint queries, and we anticipate that it can be
readily adapted to similar problems in particle accelerators and other
scientific instruments.
- Abstract（参考訳）: ビームエミッタランスは高輝度加速器の性能に不可欠であるが、通常四極子スキャンによって行われるエミッタランス計算として最適化は時間に制限されることが多い。
このような計算は$\textit{multipoint query}$のタイプである。
ベイズ最適化のような従来のブラックボックスオプティマイザは、全一連の測定値を取得する必要があるため、そのような目的に対処する際には遅く非効率である。
ベイジアンアルゴリズム実行(BAX)の手法を用いて,個別のビームサイズ計測をクエリし,モデル化する,マルチポイントクエリのブラックボックス最適化のための新しい情報理論アルゴリズムであるMultipoint-BAXを提案する。
提案手法は,アクセルから直接ではなく,高速学習モデルから出力目標を計算するために,$\textit{virtual objective}$を通じてポイントを取得することで,アクセル上の遅いマルチポイントクエリを回避する。
我々は,Linac Coherent Light Source (LCLS) とAdvanced Accelerator Experimental Tests II (FACET-II) の発光を最小化するために Multipoint-BAX を用いる。
シミュレーションでは,従来の手法よりも20$\times$高速で,雑音に対して頑健である。
ライブテストでは、FACET-IIのハンドチューニングエミタンスと一致し、LCLSのハンドチューニングよりも24%低いエミタンスを達成した。
提案手法は,マルチポイントクエリを最適化するための概念シフトであり,粒子加速器や他の科学機器の類似問題に容易に適応できることを期待する。
関連論文リスト
- EXAQ: Exponent Aware Quantization For LLMs Acceleration [15.610222058802005]
ソフトマックス関数への入力に対して最適なクリッピング値を決定するための解析的手法を提案する。
この方法は$ex$と$sum(ex)$の両方の計算を最小限の精度で高速化する。
この超低ビット量子化は、蓄積相において初めて約4倍の加速を可能にする。
論文 参考訳（メタデータ） (2024-10-04T06:54:30Z) - EfficientQAT: Efficient Quantization-Aware Training for Large Language Models [50.525259103219256]
量子化対応トレーニング(QAT)は、低ビット表現によるメモリ消費を最小限の精度で削減することで、ソリューションを提供する。
より有効なQATアルゴリズムであるEfficient QAT(Efficient Quantization-Aware Training)を提案する。
効率的なQATは、全てのパラメータのブロックワイドトレーニング(Block-AP)と量子化パラメータのエンドツーエンドトレーニング(E2E-QP)の2つのフェーズを含む。
論文 参考訳（メタデータ） (2024-07-10T17:53:30Z) - Parameter-efficient Tuning of Large-scale Multimodal Foundation Model [68.24510810095802]
我々はこれらの課題を克服するために、クロスモーダル転送(Aurora)のための優雅なプロンプトフレームワークを提案する。
既存のアーキテクチャの冗長性を考慮すると、まずモード近似を用いて0.1Mのトレーニング可能なパラメータを生成し、マルチモーダルプロンプトチューニングを実装する。
6つのクロスモーダルベンチマークの徹底的な評価は、最先端のベンチマークを上回るだけでなく、完全な微調整アプローチよりも優れていることを示している。
論文 参考訳（メタデータ） (2023-05-15T06:40:56Z) - Tuning Particle Accelerators with Safety Constraints using Bayesian
Optimization [73.94660141019764]
粒子加速器の機械パラメータのチューニングは反復的で時間を要する作業である。
我々は、安全なベイズ最適化のステップサイズ制限版を提案し、評価する。
論文 参考訳（メタデータ） (2022-03-26T02:21:03Z) - Recommender System Expedited Quantum Control Optimization [0.0]
量子制御最適化アルゴリズムは、最適な量子ゲートや効率的な量子状態転送を生成するために日常的に使用される。
効率的な最適化アルゴリズムの設計には2つの大きな課題がある。
本稿では,後者の課題に対処するため,機械学習手法,特にレコメンダシステム(RS)を提案する。
論文 参考訳（メタデータ） (2022-01-29T10:25:41Z) - Efficient Exploration in Binary and Preferential Bayesian Optimization [0.5076419064097732]
BOアルゴリズムは,異なるタイプの不確かさを区別することが重要であることを示す。
本稿では,最先端のBO関数より優れた新たな獲得関数を提案する。
論文 参考訳（メタデータ） (2021-10-18T14:44:34Z) - Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative
Filtering [59.349057602266]
変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。
内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。
FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
論文 参考訳（メタデータ） (2021-09-13T08:31:59Z) - Multi-objective Recurrent Neural Networks Optimization for the Edge -- a
Quantization-based Approach [2.1987431057890467]
本稿では,Multi-Objective Hardware-Aware Quantization (MOHAQ)法を紹介する。
本研究では,検索空間内でのみ選択された解を学習し,ビーコンとして利用し,他の解に対する再学習の効果を知るための「ビーコンベース検索」という検索手法を提案する。
論文 参考訳（メタデータ） (2021-08-02T22:09:12Z) - BiAdam: Fast Adaptive Bilevel Optimization Methods [104.96004056928474]
バイレベル最適化は多くの応用のために機械学習への関心が高まっている。
制約付き最適化と制約なし最適化の両方に有用な分析フレームワークを提供する。
論文 参考訳（メタデータ） (2021-06-21T20:16:40Z) - Differentiable Expected Hypervolume Improvement for Parallel
Multi-Objective Bayesian Optimization [11.956059322407437]
我々は、期待されるハイパー改善(EHVI)を用いた多目的BOのプログラミングモデルとハードウェアアクセラレーションの最近の進歩を活用する。
我々は、EHVIを並列な制約付き評価設定に拡張する取得関数であるq-Expected Hyper Improvement (qEHVI) の新規な定式化を導出する。
実験により,qEHVIは実運用シナリオの多くで計算可能であり,壁面時間のごく一部で最先端の多目的BOアルゴリズムより優れていることが示された。
論文 参考訳（メタデータ） (2020-06-09T06:57:47Z)
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。