論文の概要: Cheetah: Bridging the Gap Between Machine Learning and Particle
Accelerator Physics with High-Speed, Differentiable Simulations
- arxiv url: http://arxiv.org/abs/2401.05815v1
- Date: Thu, 11 Jan 2024 10:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-12 15:16:03.276291
- Title: Cheetah: Bridging the Gap Between Machine Learning and Particle
Accelerator Physics with High-Speed, Differentiable Simulations
- Title（参考訳）: Cheetah: 高速で微分可能なシミュレーションによる機械学習と粒子加速器物理のギャップを埋める
- Authors: Jan Kaiser, Chenran Xu, Annika Eichler, Andrea Santamaria Garcia
- Abstract要約: 我々はPyTorchベースの高速微分可能線形ビームダイナミクスコードであるCheetahを紹介する。
Cheetahは、複数の桁の時間を削減することで、大規模なデータセットの高速収集を可能にする。
例えば、強化学習、勾配に基づくビームラインチューニング、勾配に基づくシステム同定、物理インフォームド・オプティマイゼーション前の最適化、空間電荷効果のモジュラーニューラルネットワークサロゲートモデリングである。
- 参考スコア（独自算出の注目度）: 2.7309692684728617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning has emerged as a powerful solution to the modern challenges
in accelerator physics. However, the limited availability of beam time, the
computational cost of simulations, and the high-dimensionality of optimisation
problems pose significant challenges in generating the required data for
training state-of-the-art machine learning models. In this work, we introduce
Cheetah, a PyTorch-based high-speed differentiable linear-beam dynamics code.
Cheetah enables the fast collection of large data sets by reducing computation
times by multiple orders of magnitude and facilitates efficient gradient-based
optimisation for accelerator tuning and system identification. This positions
Cheetah as a user-friendly, readily extensible tool that integrates seamlessly
with widely adopted machine learning tools. We showcase the utility of Cheetah
through five examples, including reinforcement learning training,
gradient-based beamline tuning, gradient-based system identification,
physics-informed Bayesian optimisation priors, and modular neural network
surrogate modelling of space charge effects. The use of such a high-speed
differentiable simulation code will simplify the development of machine
learning-based methods for particle accelerators and fast-track their
integration into everyday operations of accelerator facilities.
- Abstract（参考訳）: 機械学習は、加速物理学における現代の課題に対する強力な解決策として登場した。
しかし、ビーム時間の制限、シミュレーションの計算コスト、最適化問題の高次元性は、最先端機械学習モデルのトレーニングに必要なデータを生成する上で大きな課題となる。
本稿では,pytorchベースの高速微分可能線形ビームダイナミクスコードであるcheetahを紹介する。
Cheetahは、計算時間を桁違いに削減し、アクセラレータチューニングとシステム識別のための効率的な勾配に基づく最適化を容易にすることで、大規模なデータセットの高速収集を可能にする。
これによってcheetahは、広く採用されている機械学習ツールとシームレスに統合可能な、ユーザフレンドリーで容易に拡張可能なツールとして位置づけられる。
我々はcheetahの有用性を、強化学習トレーニング、勾配に基づくビームラインチューニング、勾配に基づくシステム同定、物理に変形したベイズ最適化前処理、宇宙電荷効果のモジュラーニューラルネットワークサロゲートモデリングの5つの例を通して紹介する。
このような高速な微分可能シミュレーションコードを使用することで、粒子加速器の機械学習ベースの手法の開発が簡単になり、加速器設備の日常的な運用への統合が高速になる。
関連論文リスト
- Open-Source High-Speed Flight Surrogate Modeling Framework [0.0]
高速飛行車は音速よりもはるかに速く走行し、国防と宇宙探査に不可欠である。
様々な飛行条件下での行動の正確な予測は困難であり、しばしば高価である。
提案されたアプローチでは、より賢く、より効率的な機械学習モデルを作成する。
論文 参考訳（メタデータ） (2024-11-06T01:34:06Z) - An optically accelerated extreme learning machine using hot atomic vapors [0.0]
熱水蒸気を伝播する光の強い非線形特性とチューナブルな非線形特性とエクストリーム学習マシンモデルを組み合わせた新しい設計を提案する。
我々は、MNIST画像分類タスクにおいて、そのような自由空間非線形伝搬を用いたトレーニングの強化を数値的および実験的に示す。
論文 参考訳（メタデータ） (2024-09-06T14:36:56Z) - Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳（メタデータ） (2024-06-21T13:48:37Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳（メタデータ） (2022-08-07T09:02:18Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳（メタデータ） (2021-09-16T04:48:13Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z) - Learning hierarchical behavior and motion planning for autonomous
driving [32.78069835190924]
本稿では,階層的行動計画(HBMP)を導入し,学習ベースソリューションの動作を明示的にモデル化する。
我々は、古典的なサンプリングベースのモーションプランナを統合することで、HBMP問題を変換する。
さらに,シミュレーションプラットフォームと実環境をまたいだ入力感覚データの共有可能な表現を提案する。
論文 参考訳（メタデータ） (2020-05-08T05:34:55Z)
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。