論文の概要: Machine Learning For Beamline Steering

• arxiv url: http://arxiv.org/abs/2311.07519v1
• Date: Mon, 13 Nov 2023 18:00:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 13:08:50.199013
• Title: Machine Learning For Beamline Steering
• Title（参考訳）: ビームラインステアリングのための機械学習
• Authors: Isaac Kante
• Abstract要約: ビームラインのLINAC To Undulatorセクションを狙うのは難しい。 加速器の使用には、このセクションの磁石の再校正が必要である。 本稿では,この課題を支援するために,ディープニューラルネットワークの利用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beam steering is the process involving the calibration of the angle and position at which a particle accelerator's electron beam is incident upon the x-ray target with respect to the rotation axis of the collimator. Beam Steering is an essential task for light sources. In the case under study, the LINAC To Undulator (LTU) section of the beamline is difficult to aim. Each use of the accelerator requires re-calibration of the magnets in this section. This involves a substantial amount of time and effort from human operators, while reducing scientific throughput of the light source. We investigate the use of deep neural networks to assist in this task. The deep learning models are trained on archival data and then validated on simulation data. The performance of the deep learning model is contrasted against that of trained human operators.
• Abstract（参考訳）: ビームステアリング(ビームステアリング)は、粒子加速器の電子ビームがコリメータの回転軸に対してX線ターゲットに発生する角度と位置の校正を含むプロセスである。 ビームステアリングは光源にとって重要な課題である。 検討中の場合,ビームラインのLINAC To Undulator (LTU) セクションを狙うのは難しい。 加速器の使用には、このセクションの磁石の再校正が必要である。 これは人間の操作者によるかなりの時間と労力を伴うが、光源の科学的なスループットは減少する。 我々は,この課題を支援するために深層ニューラルネットワークの利用について検討する。 ディープラーニングモデルはアーカイブデータに基づいてトレーニングされ、シミュレーションデータで検証される。 ディープラーニングモデルの性能は、訓練された人間のオペレータと対照的である。

関連論文リスト

• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。 都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。 我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Beamline Steering Using Deep Learning Models [0.0]
  Linac To Undulatorは、アクセルのそれぞれの使用の変化のために、操縦と目標を非常に困難にしている。 ヒューマンオペレータはそのタスクにかなりの時間とリソースを費やす。 トレーニング時間と計算能力の欠如により、モデルの成熟能力は制限されました。
  論文  参考訳（メタデータ） (2024-08-24T19:16:10Z)
• 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)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Neural Network Solver for Coherent Synchrotron Radiation Wakefield Calculations in Accelerator-based Charged Particle Beams [0.0]
  我々は、ニューラルネットワークソルバを用いて、CSRウェイクフィールドに対して、新しいセットアップに容易に一般化可能な方法で構築された新しいアプローチを示す。 標準ビーム追跡試験問題に加えることにより,その性能を検証し,高精度に10倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2022-03-14T22:52:59Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Bridge Data Center AI Systems with Edge Computing for Actionable Information Retrieval [0.5652468989804973]
  現代のシンクロトロンおよびX線自由電子レーザーにおける高いデータレートは、データ還元、特徴検出、その他の目的のために機械学習手法の使用を動機付けている。 ここでは、この目的のために、特別なデータセンターAIシステムがどのように使用できるかを説明します。
  論文  参考訳（メタデータ） (2021-05-28T16:47:01Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)

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。