Os operadores do acelerador de partículas primárias do Thomas Jefferson National Accelerator Facility do Departamento de Energia dos EUA estão recebendo uma nova ferramenta para ajudá-los a resolver rapidamente os problemas que podem impedir que ele funcione sem problemas. Um novo sistema de aprendizado de máquina passou no primeiro teste de duas semanas, identificar corretamente os componentes do acelerador com falhas e o tipo de falhas que eles estão enfrentando em tempo quase real.

Uma análise dos resultados do primeiro teste de campo do sistema de aprendizado de máquina customizado foi publicada recentemente em Aceleradores e vigas de revisão física .

O Acelerador Contínuo de Feixe de Elétrons, um recurso de usuário DOE, apresenta um acelerador de partículas exclusivo que os físicos nucleares usam para explorar o coração da matéria. O CEBAF é alimentado por cavidades supercondutoras de radiofrequência, que são estruturas que permitem ao CEBAF transmitir energia a feixes de elétrons para experimentos.

"O coração da máquina são essas cavidades SRF, e muitas vezes, estes vão tropeçar. Quando eles tropeçam, gostaríamos de saber como responder a essas viagens. O truque é entender mais sobre a viagem:qual cavidade disparou e que tipo de falha foi, "disse Chris Tennant, um cientista da equipe do Jefferson Lab no Center for Advanced Studies of Accelerators.

Cientistas especialistas em aceleradores revisam as informações sobre essas falhas e podem usá-las para determinar onde a falha começou e que tipo de falha é, informando assim os operadores do CEBAF sobre a melhor forma de se recuperar da avaria e mitigar as futuras. Contudo, essa revisão por especialistas leva um tempo que os operadores não têm quando os experimentos estão em andamento.

No final de 2019, Tennant e uma equipe de especialistas em aceleradores do CEBAF decidiram construir um sistema de aprendizado de máquina para realizar essa revisão em tempo real.

Eles trabalharam com vários grupos diferentes para projetar e construir do zero um sistema de aquisição de dados personalizado para extrair informações sobre o desempenho da cavidade de um sistema RF digital de baixo nível instalado nas seções mais recentes do acelerador de partículas no CEBAF, que inclui cerca de um quinto das cavidades SRF no CEBAF. O sistema de RF de baixo nível mede constantemente o campo nas cavidades SRF e ajusta o sinal para cada uma para garantir que operem de maneira ideal.

Quando uma cavidade falha, o sistema de aquisição de dados de aprendizado de máquina puxa 17 sinais diferentes para cada cavidade do sistema de RF digital de baixo nível para análise.

"Estamos aproveitando dados ricos em informações e transformando-os em informações acionáveis, " ele disse.

Esses mesmos dados ricos em informações são usados ​​por especialistas em aceleradores para ajudar a identificar cavidades e causas de falhas. Essas análises anteriores foram usadas para treinar o sistema de aprendizado de máquina antes da implantação.

O novo sistema foi instalado e testado durante as operações do CEBAF durante um período inicial de duas semanas no início de março de 2020.

"Por aquelas duas semanas, tivemos algumas centenas de falhas que fomos capazes de analisar, e descobrimos que nossos modelos de aprendizado de máquina foram precisos em 85% para os quais a cavidade falhou primeiro e 78% na identificação do tipo de falha, portanto, trata-se de um único especialista no assunto, "Tennant explicou.

Este feedback quase em tempo real significa que os operadores do CEBAF podem tomar medidas imediatas para mitigar os problemas que surgem na máquina durante as execuções experimentais, e, com sorte, evitar que problemas menores se transformem em maiores, o que pode reduzir o tempo de execução dos experimentos.

"A ideia é, eventualmente, os especialistas no assunto não precisarão gastar todo o tempo analisando os dados por conta própria para identificar falhas, " ele disse.

A próxima etapa para Tennant e sua equipe é analisar os dados de um segundo período de teste mais longo que ocorreu no final do verão. Se o sistema funcionou tão bem quanto o primeiro teste indica, a equipe espera iniciar projetos para estender o sistema para incluir cavidades SRF mais antigas no CEBAF.

Este projeto foi originalmente proposto e financiado pelo programa de Pesquisa e Desenvolvimento Dirigido pelo Laboratório do Jefferson Lab para o ano fiscal de 2020, e foi posteriormente selecionado pelo DOE para uma concessão de US $ 1,35 milhão para alavancar o aprendizado de máquina e revolucionar a experimentação e as operações nas instalações do usuário nos próximos anos.

"Este foi um projeto de prova de princípio. Foi um pouco mais arriscado, porque vários anos atrás, quando este projeto foi proposto, nenhum de nós da equipe sabia nada sobre aprendizado de máquina. Nós meio que entramos, "Tennant disse." Então, às vezes, apoiar esses projetos de alto risco / alta recompensa realmente compensa. "