Os aceleradores de partículas estão entre os instrumentos científicos mais complexos já criados. Com milhões de sensores e milhares de subsistemas em risco de falha, os operadores humanos destes aceleradores devem monitorizar continuamente o desempenho e vasculhar um mar de sensores para identificar problemas. Essa é a situação na Linac Coherent Light Source, uma instalação do Departamento de Energia do Laboratório Nacional de Aceleradores SLAC.



Os pesquisadores desenvolveram agora um algoritmo de inteligência artificial (IA) que imita como os operadores humanos abordam esse desafio. O sistema automatizado fica de olho no acelerador. Ele alerta os operadores quando o desempenho cai e identifica o subsistema específico responsável. Isso pode simplificar a operação do acelerador, reduzir o tempo de inatividade e aprimorar os dados científicos coletados por essas ferramentas. A pesquisa foi publicada em Physical Review Accelerators and Beams .

A solução automatizada de IA mostra aos operadores SLAC quais componentes devem ser desligados e substituídos para manter o acelerador funcionando 24 horas por dia. A confiabilidade aprimorada também mantém mais subsistemas online. Isso permite que o acelerador atinja sua capacidade operacional total. Esta abordagem de IA poderia beneficiar muitos sistemas complexos. Por exemplo, poderia melhorar a fiabilidade noutras instalações experimentais, fábricas avançadas, rede eléctrica e centrais nucleares.

Os aceleradores modernos registram milhões de fluxos de dados, sinais demais para uma pequena equipe de operações monitorar em tempo real e evitar de forma confiável falhas de subsistema que levam a tempos de inatividade dispendiosos. Por exemplo, na Fonte de Luz Coerente Linac, um dos primeiros lasers de raios X do mundo, falhas nas estações de radiofrequência (RF) que aceleram os elétrons são a principal causa de tempo de inatividade e quedas no desempenho.

Um algoritmo automatizado existente tenta identificar problemas nas estações de RF, mas quase 70% das previsões do algoritmo são falsos positivos e os operadores recorrem à inspeção manual para identificar anomalias nas estações de RF.

Inspirado pelos operadores, o método de IA executa simultaneamente algoritmos de detecção de anomalias tanto no diagnóstico da estação de RF quanto nas medições tiro a tiro da qualidade final do feixe. Uma falha é prevista apenas quando ambos os algoritmos identificam anomalias simultaneamente. Essa abordagem – agora incorporada à sala de controle – pode ser totalmente automatizada e identifica mais eventos com menos falsos positivos do que apenas o diagnóstico da estação de RF.

Trabalhos recentes com patente pendente estenderam o conceito de coincidência a algoritmos de aprendizagem profunda, como redes neurais, que podem identificar falhas em dados brutos e não rotulados sem a contribuição de especialistas. Os pesquisadores esperam que esses algoritmos baseados em aprendizado de máquina tenham amplas aplicações em sistemas complexos na ciência e na indústria.

Mais informações: Ryan Humble et al, Identificação de falhas de estação de RF baseada em feixe na SLAC Linac Coherent Light Source, Physical Review Accelerators and Beams (2022). DOI:10.1103/PhysRevAccelBeams.25.122804
Fornecido pelo Departamento de Energia dos EUA