[論文レビュー] Advanced Control Methods for Particle Accelerators (ACM4PA) 2019 Workshop Report

Alexander Scheinker, Claudio Emma+2 more|arXiv (Cornell University)|Jan 15, 2020

Particle Accelerators and Free-Electron Lasers参考文献 18被引用数 5

ひとこと要約

本ワークショップレポートは、特に自由電子レーザー（FEL）およびプラズマウェイクフィールド加速器向けに、コミュニティが運営するフレームワークを提案する。このフレームワークは、初期パラメータ推定にニューラルネットワークを用い、時間変動する最適設定を追跡するための適応型極値探索（extremum seeking）を組み合わせ、ドリフトや不確実性に対してもロバストなビーム制御を実現する。

ABSTRACT

Los Alamos is currently developing novel particle accelerator controls and diagnostics algorithms to enable higher quality beams with lower beam losses than is currently possible. The purpose of this workshop was to consider tuning and optimization challenges of a wide range of particle accelerators including linear proton accelerators such as the Los Alamos Neutron Science Center (LANSCE), rings such as the Advanced Photon Source (APS) synchrotron, free electron lasers (FEL) such as the Linac Coherent Light Source (LCLS) and LCLS-II, the European X-ray Free Electron Laser (EuXFEL), the Swiss FEL, and the planned MaRIE FEL, and plasma wake-field accelerators such as FACET, FACET-II, and AWAKE at CERN. One major challenge is an the ability to quickly create very high quality, extremely intense, custom current and energy profile beams while working with limited real time non-invasive diagnostics and utilizing time-varying uncertain initial beam distributions and accelerator components. Currently, a few individual accelerator labs have been developing and applying their own diagnostics tools and custom control and ML algorithms for automated machine tuning and optimization. The goal of this workshop was to bring together a group of accelerator physicists and accelerator related control and ML experts in order to define which controls and diagnostics would be most useful for existing and future accelerators and to create a plan for developing a new family of algorithms that can be shared and maintained by the community.

研究の動機と目的

• 非侵襲的診断が限られている中で、時間変動するシステムの不確実性を伴う高強度・超短パルスビームのチューニングの課題に対処する。
• 次世代加速器向けに、共有され、コミュニティがメンテナンスする制御および診断アルゴリズムのファミリーを構築する。
• 非線形ダイナミクス、ドリフト、SASEのような確率的プロセスを伴うシステムにおいて、従来のモデルベース制御の限界を克服する。
• LCLS、EuXFEL、FACET-IIのような複雑な加速器の迅速かつ自動チューニングを可能にし、専門家による干渉とチューニング時間を削減する。
• 機械学習とモデルに依存しないフィードバックを統合し、変化する条件下でも最適設定を追跡できる適応的でロバストな制御システムを構築する。

提案手法

• 深層ニューラルネットワーク（NN）を用い、望ましい縦断的位相空間分布に対応する加速器パラメータをマッピングし、初期制御推定値を提供する。
• 極値探索（ES）—モデルに依存しないフィードバックアルゴリズム—を適用し、システムのドリフトや不確実性にかかわらず、最適設定をリアルタイムで精緻化・追跡する。
• NNによる初期化と局所的適応フィードバックを組み合わせることで、時間変動環境においても高速な収束と持続的な性能を達成する。
• 計算コストの高いプロセス（例：空間電荷、コherentシンクロtron放射）の実験データまたはシミュレーションを用いてMLモデルを学習させ、チューニングと診断を加速する。
• ビームを遮断せずに位相空間をモニタリングできる非侵襲的診断（例：横方向偏向キャビティ（TCAVs）、光の回折放射（ODR））を活用する。
• 転移学習および再訓練戦略を実装し、事前学習済みモデルを新しい加速器構成やシミュレーションデータに効率的に適応させる。

実験結果

リサーチクエスチョン

• RQ1 時間変動するシステムのドリフトや不確実性が存在する中で、機械学習をどのように活用して複雑なビームプロファイルの最適加速器設定を迅速に推定できるか？
• RQ2 リアルタイムビーム制御において、データ駆動型ニューラルネットワークとモデルフリーの適応フィードバックを最適に統合する戦略は何か？
• RQ3 転移学習と再訓練は、MLモデルを新しい加速器構成やシミュレーション環境に適応させる際の完全再訓練の必要性を低減できるか？
• RQ4 NNベースの初期化と極値探索の組み合わせは、LCLS や EuXFEL のような施設でチューニング時間を短縮し、ビーム品質を向上させるのにどの程度効果的か？
• RQ5 FACET-II や AWAKE などのプラズマウェイクフィールド加速器における主な診断および制御の課題は何か？そして、MLベースの手法はそれらをどのように解決できるか？

主な発見

• 適応型MLアプローチ（NNによる初期パラメータ推定に続く極値探索）は、ビームおよびシステムのドリフトが存在する中でも、最適なFEL出力パワー設定を効果的に追跡した。
• LCLSでは、このハイブリッド手法により、低電荷・3-fsパルス運転への再構成にかかるチューニング時間が数時間から数分に短縮された。
• 実験結果から、NNが良好な初期推定値を提供した後、極値探索は時間変動するビーム状態下でも数分で最適設定に収束した。
• 本手法は、LANSCE（位相制御）、SPEAR3（リズム安定化）、FACET（非侵襲的診断）を含む複数の施設で成功裏に実証された。
• 極値探索は、時間変動するリズムにおいてベータトロン振動を最小化し、完全なシステムモデルがなくてもFEL出力パワーを最大化することが示された。
• 実加速器データまたは高精度なシミュレーションを用いたMLモデルの再訓練により、空間電荷やコherentシンクロtron放射のような複雑なビームダイナミクスのチューニングがより迅速かつ正確に行えるようになった。