Наука

Newswise — Ускорители частиц являются одними из самых сложных научных инструментов, когда-либо созданных. Поскольку миллионы датчиков и тысячи подсистем находятся под угрозой отказа, операторы этих ускорителей должны постоянно контролировать производительность и прочесывать море датчиков для выявления проблем. Такова ситуация с источником когерентного света Linac, объектом пользователя Министерства энергетики Национальной ускорительной лаборатории SLAC. Исследователи разработали алгоритм искусственного интеллекта (ИИ), который имитирует подход людей-операторов к этой задаче. Автоматизированная система следит за акселератором. Он предупреждает операторов о падении производительности и определяет конкретную подсистему, ответственную за это. Это может упростить работу ускорителя, сократить время простоя и улучшить научные данные, собираемые этими инструментами.

Влияние

Автоматизированное решение искусственного интеллекта показывает операторам SLAC, какие компоненты следует отключить и заменить, чтобы ускоритель работал круглосуточно. Повышенная надежность также позволяет поддерживать работу большего количества подсистем. Это позволяет ускорителю выйти на полную рабочую мощность. Этот подход ИИ может принести пользу многим сложным системам. Например, это могло бы повысить надежность других экспериментальных установок, передовых производственных предприятий, электросетей и атомных электростанций.

Краткое содержание

Современные ускорители записывают миллионы потоков данных — слишком много сигналов, чтобы небольшая оперативная группа могла отслеживать их в реальном времени и надежно избегать сбоев подсистем, приводящих к дорогостоящим простоям. Например, в источнике когерентного света Linac, одном из первых в мире рентгеновских лазеров, неисправности радиочастотных (РЧ) станций, ускоряющих электроны, являются основной причиной простоев и падения производительности. Существующий автоматизированный алгоритм пытается выявить проблемы радиочастотной станции, но почти 70% прогнозов алгоритма оказываются ложноположительными, и операторы прибегают к ручной проверке для выявления аномалий радиочастотной станции.

Вдохновленный операторами, метод искусственного интеллекта одновременно запускает алгоритмы обнаружения аномалий как при диагностике радиочастотной станции, так и при пошаговых измерениях конечного качества луча. Неисправность прогнозируется только тогда, когда оба алгоритма одновременно выявляют аномалии. Этот подход, который теперь реализован в диспетчерской, может быть полностью автоматизирован и идентифицирует больше событий с меньшим количеством ложных срабатываний, чем только диагностика радиочастотной станции. Недавняя запатентованная работа распространила концепцию совпадения на алгоритмы глубокого обучения, такие как нейронные сети, которые могут выявлять ошибки в необработанных, неразмеченных данных без участия экспертов. Исследователи ожидают, что эти алгоритмы, основанные на машинном обучении, найдут широкое применение в сложных системах в науке и промышленности.

Финансирование

Финансирование этого исследования было предоставлено Управлением науки Министерства энергетики (DOE), отделом фундаментальных энергетических наук, отделом научных пользователей и Стэнфордским университетом. В исследовании использовались ресурсы Linac Coherent Light Source, пользовательского центра Управления науки Министерства энергетики США.