Os pesquisadores modelam o histórico de ímãs do acelerador usando a abordagem de aprendizado de máquina
Um ímã em uma bancada de teste dentro do SLAC National Accelerator Laboratory. Os pesquisadores criaram um modelo de aprendizado de máquina que ajudará a prever como os ímãs se comportarão durante os experimentos com feixes, entre outras aplicações. Crédito:Scott Anderson, SLAC National Accelerator Laboratory
Depois de um longo dia de trabalho, você pode se sentir cansado ou animado. De qualquer forma, você é afetado pelo que aconteceu com você no passado.
Os ímãs aceleradores não são diferentes. O que eles passaram - ou o que passou por eles, como uma corrente elétrica - afeta o desempenho deles no futuro.
Sem entender o passado de um ímã, os pesquisadores podem precisar redefini-lo completamente antes de iniciar um novo experimento, um processo que pode levar 10 ou 15 minutos. Alguns aceleradores têm centenas de ímãs, e o processo pode rapidamente se tornar demorado e caro.
Agora, uma equipe de pesquisadores do SLAC National Accelerator Laboratory do Departamento de Energia e de outras instituições desenvolveu uma poderosa técnica matemática que usa conceitos de aprendizado de máquina para modelar os estados anteriores de um ímã e fazer previsões sobre estados futuros. Essa nova abordagem elimina a necessidade de redefinir os ímãs e resulta em melhorias no desempenho do acelerador imediatamente.
“Nossa técnica muda fundamentalmente a forma como prevemos campos magnéticos dentro de aceleradores, o que pode melhorar o desempenho de aceleradores em todo o mundo”, disse o cientista associado do SLAC, Ryan Roussel. “Se a história de um ímã não for bem conhecida, será difícil tomar decisões de controle futuras para criar o feixe específico que você precisa para um experimento”.
O modelo da equipe analisa uma propriedade importante dos ímãs conhecida como histerese, que pode ser considerada como magnetismo residual (ou remanescente). A histerese é como a água quente restante nos canos do chuveiro depois que você desligou a água quente. Seu chuveiro não ficará frio imediatamente - a água quente que fica nos canos deve fluir para fora do chuveiro antes que apenas a água fria seja deixada.
“A histerese torna os ímãs de ajuste desafiadores”, disse a cientista associada do SLAC, Auralee Edelen. "As mesmas configurações em um ímã que resultaram em um tamanho de feixe ontem podem resultar em um tamanho de feixe diferente hoje devido ao efeito da histerese".
O novo modelo da equipe elimina a necessidade de redefinir ímãs com tanta frequência e pode permitir que operadores de máquinas e algoritmos de ajuste automatizados vejam rapidamente seu estado atual, tornando visível o que antes era invisível, disse Edelen.
Dez anos atrás, muitos aceleradores não precisavam considerar a sensibilidade a erros de histerese, mas com recursos mais precisos como o LCLS-II do SLAC entrando em operação, prever o magnetismo residual é mais crítico do que nunca, disse Roussel.
O modelo de histerese também pode ajudar instalações de aceleradores menores, que podem não ter tantos pesquisadores e engenheiros para redefinir ímãs, executar experimentos de maior precisão. A equipe espera implementar o método em um conjunto completo de ímãs em uma instalação do acelerador e demonstrar uma melhoria na precisão preditiva em um acelerador operacional.
+ Explorar mais Um novo método de aprendizado de máquina simplifica as operações do acelerador de partículas