論文の概要: Trend-Based SAC Beam Control Method with Zero-Shot in Superconducting
Linear Accelerator
- arxiv url: http://arxiv.org/abs/2305.13869v2
- Date: Thu, 25 May 2023 07:05:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 10:33:29.600791
- Title: Trend-Based SAC Beam Control Method with Zero-Shot in Superconducting
Linear Accelerator
- Title（参考訳）: 超電導リニア加速器におけるゼロショットによるsacビーム制御
- Authors: Xiaolong Chen and Xin Qi and Chunguang Su and Yuan He and Zhijun Wang
and Kunxiang Sun and Chao Jin and Weilong Chen and Shuhui Liu and Xiaoying
Zhao and Duanyang Jia and Man Yi
- Abstract要約: 強靭性を有するトレンドベースソフトアクター・クリティック(TBSAC)ビーム制御法を提案する。
提案手法の有効性を検証するため,中国超重元素加速器施設(CAFe II)と軽粒子注入器(LPI)の2つの典型的なビーム制御タスクを行った。
軌道修正作業はCAFe IIの3つの低温加群で行われ、調整に必要な時間は人間の要求の10分の1に短縮され、修正された軌道のRMS値はいずれも1mm未満であった。
- 参考スコア（独自算出の注目度）: 10.161211943269008
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The superconducting linear accelerator is a highly flexiable facility for
modern scientific discoveries, necessitating weekly reconfiguration and tuning.
Accordingly, minimizing setup time proves essential in affording users with
ample experimental time. We propose a trend-based soft actor-critic(TBSAC) beam
control method with strong robustness, allowing the agents to be trained in a
simulated environment and applied to the real accelerator directly with
zero-shot. To validate the effectiveness of our method, two different typical
beam control tasks were performed on China Accelerator Facility for Superheavy
Elements (CAFe II) and a light particle injector(LPI) respectively. The orbit
correction tasks were performed in three cryomodules in CAFe II seperately, the
time required for tuning has been reduced to one-tenth of that needed by human
experts, and the RMS values of the corrected orbit were all less than 1mm. The
other transmission efficiency optimization task was conducted in the LPI, our
agent successfully optimized the transmission efficiency of radio-frequency
quadrupole(RFQ) to over $85\%$ within 2 minutes. The outcomes of these two
experiments offer substantiation that our proposed TBSAC approach can
efficiently and effectively accomplish beam commissioning tasks while upholding
the same standard as skilled human experts. As such, our method exhibits
potential for future applications in other accelerator commissioning fields.
- Abstract（参考訳）: 超伝導線形加速器は近代的な科学的発見のための非常に柔軟な施設であり、毎週の再構成とチューニングを必要とする。
したがって、セットアップ時間の最小化は、十分な実験時間をユーザに提供する上で必須である。
本研究では,強いロバスト性を有するトレンドベースソフトアクタクリティック(tbsac)ビーム制御法を提案し,エージェントをシミュレーション環境で訓練し,ゼロショットで実加速器に直接適用する。
提案手法の有効性を検証するため,中国超重元素加速器施設(CAFe II)と軽粒子注入器(LPI)の2つの典型的なビーム制御タスクを行った。
軌道修正作業はCAFe IIの3つの低温加群で行われ、調整に必要な時間は人間の要求の10分の1に短縮され、修正された軌道のRMS値はいずれも1mm未満であった。
他の伝送効率最適化タスクはlpiで行われ、無線周波数四極子(rfq)の伝送効率を2分で85\%超に最適化した。
これら2つの実験の結果から,提案したTBSACアプローチが,熟練した人的専門家と同じ基準を維持しつつ,ビーム割り当てタスクを効率的に効果的に達成できることが実証された。
そこで,本手法は,他の加速器利用分野における将来の応用の可能性を示す。
関連論文リスト
- Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳（メタデータ） (2024-10-16T08:07:18Z) - Multistep Criticality Search and Power Shaping in Microreactors with Reinforcement Learning [0.3562485774739681]
核マイクロリアクターにおける知的制御のための強化学習(RL)アルゴリズムを導入する。
近位政策最適化(PPO)とアクター・クリティカル(A2C)を用いたRLエージェントの訓練
その結果, 最適ドラム位置同定におけるPPOの優れた性能が示された。
論文 参考訳（メタデータ） (2024-06-22T20:14:56Z) - Model-free reinforcement learning with noisy actions for automated experimental control in optics [2.3003734964536524]
強化学習(RL)を用いた光ファイバーにレーザー光を結合するための自動実験アライメントについて検討する。
時間を節約するために、私たちは仮想テストベッドを使用して、部分的な可観測性を扱う環境をチューニングします。
実験の完全なトレーニングにより、エージェントは、現在あるノイズを処理するために直接学習する。
論文 参考訳（メタデータ） (2024-05-24T10:36:23Z) - PYRA: Parallel Yielding Re-Activation for Training-Inference Efficient Task Adaptation [61.57833648734164]
本稿では, PYRA(Parallel Yielding Re-Activation)法を提案する。
PYRAは低圧縮率と高圧縮率の両方で競合する全ての手法より優れている。
論文 参考訳（メタデータ） (2024-03-14T09:06:49Z) - Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents [49.85633804913796]
本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。
この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。
3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
論文 参考訳（メタデータ） (2024-03-04T21:50:29Z) - Beyond PID Controllers: PPO with Neuralized PID Policy for Proton Beam
Intensity Control in Mu2e [3.860979702631594]
我々は,Fermi National Accelerator Laboratory (Fermilab) におけるMuon to Electron Conversion Experiment (Mu2e) における均一な陽子ビーム強度の伝達を維持することを目的とした,新しいPPOアルゴリズムを提案する。
我々の主な目的は、一貫した強度プロファイルを確保するために、一貫した強度プロファイルを確保するために、スピル制御システム(SRS)パラメータのリアルタイムフィードバックとキャリブレーションをミリ秒のタイムスケールで実現する自動制御器を作成することにある。
論文 参考訳（メタデータ） (2023-12-28T21:35:20Z) - Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。
共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
論文 参考訳（メタデータ） (2022-10-24T18:39:44Z) - Skip Training for Multi-Agent Reinforcement Learning Controller for
Industrial Wave Energy Converters [94.84709449845352]
近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。
従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。
本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
論文 参考訳（メタデータ） (2022-09-13T00:20:31Z) - Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for
Hyperparameter Recommendation [83.85021205445662]
本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。
マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
論文 参考訳（メタデータ） (2021-06-17T00:01:18Z) - Towards Optimal District Heating Temperature Control in China with Deep
Reinforcement Learning [0.0]
室内温度を予測するために,シミュレーションデータに基づくリカレントニューラルネットワークを構築した。
このモデルは、供給水温の最適制御のために、2つのDRLエージェントを専門家の指導なしに訓練するために使用される。
論文 参考訳（メタデータ） (2020-12-17T11:16:08Z) - Efficient Real-Time Radial Distortion Correction for UAVs [1.7149364927872015]
慣性測定ユニット(IMU)を備えた無人航空機(UAV)の車載半径歪み補正のための新しいアルゴリズムを提案する。
このアプローチは校正手順を冗長にし、即時光の交換を可能にする。
焦点長, 半径歪み分布, 運動パラメータをホモグラフから同時に推定する高速で頑健な最小解法を提案する。
論文 参考訳（メタデータ） (2020-10-08T18:34:56Z)
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。