Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators

要約

粒子加速器は複雑で、何千ものコンポーネントで構成されており、多くの機器がピーク出力で稼働しています。
その結果、粒子加速器はさまざまな理由で障害を起こし、動作を中止する可能性があります。
これらの障害は、予定された実行時間中の粒子加速器の可用性に影響を与え、効率と全体的な科学成果を妨げます。
これらの障害を回避するために、私たちは異常検出技術を適用して異常な動作を予測し、先制動作を実行して粒子加速器の全体的な可用性を向上させます。
このようなタスクには、オートエンコーダーや変分オートエンコーダーなどの半教師あり機械学習 (ML) ベースの異常検出アプローチがよく使用されます。
ただし、Siamese Neural Network (SNN) モデルなどの教師あり ML 手法は、ラベル情報を活用することで、異常検出において教師なしまたは半教師ありのアプローチよりも優れたパフォーマンスを発揮できます。
粒子加速器の異常検出に特有の課題の 1 つは、システム構成の変更によるデータの変動です。
この課題に対処するために、条件付きシャム ニューラル ネットワーク (CSNN) モデルと条件付き変分自動エンコーダー (CVAE) モデルを採用して、さまざまなシステム構成条件下で核破砕中性子源 (SNS) での誤ったビーム パルスを予測し、それらのパフォーマンスを比較します。
このアプリケーションでは、CSNN が CVAE よりも優れていることを示します。

要約(オリジナル)

Particle accelerators are complex and comprise thousands of components, with many pieces of equipment running at their peak power. Consequently, particle accelerators can fault and abort operations for numerous reasons. These faults impact the availability of particle accelerators during scheduled run-time and hamper the efficiency and the overall science output. To avoid these faults, we apply anomaly detection techniques to predict any unusual behavior and perform preemptive actions to improve the total availability of particle accelerators. Semi-supervised Machine Learning (ML) based anomaly detection approaches such as autoencoders and variational autoencoders are often used for such tasks. However, supervised ML techniques such as Siamese Neural Network (SNN) models can outperform unsupervised or semi-supervised approaches for anomaly detection by leveraging the label information. One of the challenges specific to anomaly detection for particle accelerators is the data’s variability due to system configuration changes. To address this challenge, we employ Conditional Siamese Neural Network (CSNN) models and Conditional Variational Auto Encoder (CVAE) models to predict errant beam pulses at the Spallation Neutron Source (SNS) under different system configuration conditions and compare their performance. We demonstrate that CSNN outperforms CVAE in our application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google