論文の概要: Outlook Towards Deployable Continual Learning for Particle Accelerators
- arxiv url: http://arxiv.org/abs/2504.03793v1
- Date: Fri, 04 Apr 2025 03:34:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 14:14:14.108418
- Title: Outlook Towards Deployable Continual Learning for Particle Accelerators
- Title（参考訳）: 粒子加速器の展開可能な継続的学習に向けての展望
- Authors: Kishansingh Rajput, Sen Lin, Auralee Edelen, Willem Blokland, Malachi Schram,
- Abstract要約: 粒子加速器における機械学習の既存の応用と分布のドリフトによる限界について論じる。
次に、既存の連続学習手法を概観し、アクセラレーターにおけるデータ分散ドリフトに対処する可能性について検討する。
本稿では,新たな分野の開拓と,粒子加速器の展開可能な連続学習に向けた研究の促進を目的とする。
- 参考スコア（独自算出の注目度）: 5.736575969103521
- License:
- Abstract: Particle Accelerators are high power complex machines. To ensure uninterrupted operation of these machines, thousands of pieces of equipment need to be synchronized, which requires addressing many challenges including design, optimization and control, anomaly detection and machine protection. With recent advancements, Machine Learning (ML) holds promise to assist in more advance prognostics, optimization, and control. While ML based solutions have been developed for several applications in particle accelerators, only few have reached deployment and even fewer to long term usage, due to particle accelerator data distribution drifts caused by changes in both measurable and non-measurable parameters. In this paper, we identify some of the key areas within particle accelerators where continual learning can allow maintenance of ML model performance with distribution drifts. Particularly, we first discuss existing applications of ML in particle accelerators, and their limitations due to distribution drift. Next, we review existing continual learning techniques and investigate their potential applications to address data distribution drifts in accelerators. By identifying the opportunities and challenges in applying continual learning, this paper seeks to open up the new field and inspire more research efforts towards deployable continual learning for particle accelerators.
- Abstract（参考訳）: 粒子加速器は高出力複合機である。
これらの機械の故障を確実にするには、何千もの機器を同期させる必要があり、設計、最適化、制御、異常検出、機械の保護など多くの課題に対処する必要がある。
最近の進歩により、機械学習(ML)はより高度な予後、最適化、制御を支援することを約束している。
MLベースのソリューションは粒子加速器のいくつかの用途で開発されているが、測定可能なパラメータと測定不可能なパラメータの両方の変化によって引き起こされる粒子加速器のデータ分布のドリフトにより、展開に到達し、長期間の使用も少なくなっている。
本稿では,連続学習が分散ドリフトを伴うMLモデル性能の維持を可能にする粒子加速器における重要な領域のいくつかを同定する。
特に,粒子加速器におけるMLの既存の応用と分布のドリフトによる限界について論じる。
次に、既存の連続学習手法を概観し、アクセラレーターにおけるデータ分散ドリフトに対処する可能性について検討する。
本稿では,連続学習の適用機会と課題を明らかにすることによって,新たな分野の開拓と,粒子加速器の展開可能な連続学習に向けた研究の促進を図る。
関連論文リスト
- Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。
その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
論文 参考訳（メタデータ） (2024-09-24T14:58:27Z) - Large Language Models for Human-Machine Collaborative Particle Accelerator Tuning through Natural Language [14.551969747057642]
本稿では,粒子加速器をチューニングするための大規模言語モデル (LLM) を提案する。
演算子からの自然言語のみに基づいて,LLMが粒子加速器サブシステムを正常かつ自律的にチューニングできることを実証する。
また,LLMが高非線形実世界の目的関数の数値最適化を行う方法を示す。
論文 参考訳（メタデータ） (2024-05-14T18:05:44Z) - 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) - Robust Errant Beam Prognostics with Conditional Modeling for Particle
Accelerators [36.157808223320465]
粒子加速器は様々な理由で故障や停止の可能性がある。
これらの欠陥は、スケジュールされた実行中の粒子加速器の可用性に影響を与え、効率と全体の科学出力を妨げている。
異常検出技術を用いて異常な振る舞いを予測し、プリエンプティブ動作を行い、粒子加速器の総可利用性を向上させる。
論文 参考訳（メタデータ） (2023-11-22T07:36:16Z) - Fast Neural Network Inference on FPGAs for Triggering on Long-Lived
Particles at Colliders [0.0]
本研究では,中性長寿命粒子が検出器体積内で崩壊する事象を選択するための2つの機械学習アルゴリズムを提案する。
提案したアルゴリズムは, ベンチマークのシナリオにおいて有効であることが証明され, FPGAカード上での高速化では精度が劣化しないことが判明した。
論文 参考訳（メタデータ） (2023-07-11T10:17:57Z) - Fast adiabatic control of an optomechanical cavity [62.997667081978825]
移動鏡を2つ設置したオプトメカニカルキャビティの制御を行うため,アディバチティのショートカットを提示する。
空洞内の量子場にSTAを実装した効果的な軌跡を与える解析式を求める。
論文 参考訳（メタデータ） (2022-11-09T15:32:28Z) - Review of Time Series Forecasting Methods and Their Applications to
Particle Accelerators [0.0]
本稿では、時系列予測問題を定式化し、既存のモデルを様々な科学分野に適用して要約する。
粒子加速器への時系列予測の適用は、より広範な用途に期待できる結果と将来性を示している。
論文 参考訳（メタデータ） (2022-09-21T23:18:50Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z) - 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) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z)
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。