[論文レビュー] Input Beam Matching and Beam Dynamics Design Optimization of the IsoDAR RFQ using Statistical and Machine Learning Techniques

Daniel Koser, Loyd Waites+4 more|arXiv (Cornell University)|Dec 5, 2021

Particle accelerators and beam dynamics被引用数 4

ひとこと要約

本論文は、多項式クラウド拡張とニューラルネットワークを用いた機械学習ベースのサーモンモデル手法を提案し、IsoDAR RFQ線形加速器のビームダイナミクス最適化を高速化する。この手法により、ビーム透過率およびエミッタンスの高速仮想シミュレーションが可能となり、入力ビームの変動に対して高い精度を達成するが、構造的ハードウェア変更に対する応答予測では誤差が大きくなる（最大12％）ため、高精度シミュレーションの前段階としての設計空間の縮小と感度解析に有効である。

ABSTRACT

We present a novel machine learning-based approach to generate fast-executing virtual radiofrequency quadrupole (RFQ) particle accelerators using surrogate modelling. These could potentially be used as on-line feedback tools during beam commissioning and operation, and to optimize the RFQ beam dynamics design prior to construction. Since surrogate models execute orders of magnitude faster than corresponding physics beam dynamics simulations using standard tools like PARMTEQM and RFQGen, the computational complexity of the multi-objective optimization problem reduces significantly. Ultimately, this presents a computationally inexpensive and time efficient method to perform sensitivity studies and an optimization of the crucial RFQ beam output parameters like transmission and emittances. Two different methods of surrogate model creation (polynomial chaos expansion and neural networks) are discussed and the achieved model accuracy is evaluated for different study cases with gradually increasing complexity, ranging from a simple FODO cell example to the full RFQ optimization. We find that variations of the beam input Twiss parameters can be reproduced well. The prediction of the beam with respect to hardware changes, e.g. of the electrode modulation, are challenging on the other hand. We discuss possible reasons.

研究の動機と目的

• 共同調整中のオンラインフィードバックを支援するため、IsoDAR RFQビームダイナミクスの高速かつ高精度なサーモンモデルを開発すること。
• 建設の前段階で、ビーム透過率とエミッタンス制御の向上を目的としたRFQ設計パラメータの最適化を行うこと。
• 入力ビームパラメータおよびハードウェア設計パラメータの変化におけるビーム挙動予測性能を評価するため、サーモンモデル（PCEおよびニューラルネットワーク）の性能を評価すること。
• ソボルのインデックスを用いた感度解析により、最適化の複雑さを低減するための主要な設計変数を同定すること。
• 加速器幾何構造の構造的変更に対する応答を予測する際のサーモンモデルの限界を評価すること。

提案手法

• ビームダイナミクスの高精度シミュレーション（PARMTEQMおよびRFQGen）を基準として、サーモンモデルを学習する。
• 多項式クラウド拡張（PCE）および深層ニューラルネットワーク（DNN）を用いて、高速実行可能な仮想RFQモデルを構築する。
• 入力ビームのトゥイッスパラメータおよびハードウェア設計変数（例：電極の変調、フォーカス強度）をモデルの入力として使用する。
• 入力および設計パラメータの変動に伴うシミュレートされたビーム出力のデータセットを用いてモデルを学習する。
• 特に透過率およびエミッタンス指標について、高精度シミュレーションとの比較により、モデルの精度を検証する。
• 最適化の目的関数に与える設計変数の影響をランク付けするため、ソボルのインデックスを用いた感度解析を実施する。

実験結果

リサーチクエスチョン

• RQ1 ビームダイナミクスシミュレーションで学習したサーモンモデルは、透過率やエミッタンスなどのRFQ出力ビームパラメータを正確に予測できるか？
• RQ2 入力ビームパラメータの変動と構造的ハードウェア設計変更の両方において、モデルの精度はどのように変化するか？
• RQ3 本文脈において、多項式クラウド拡張と深層ニューラルネットワークの相対的な性能はどの程度か？
• RQ4 高精度最適化の前段階として、サーモンモデルはどの程度設計空間を縮小できるか？
• RQ5 なぜサーモンモデルはRFQ幾何構造の構造的変更に対する応答を予測する際に、より高い誤差を示すのか？

主な発見

• 固定された加速器構成におけるビームダイナミクス予測において、ニューラルネットワークベースのサーモンモデルは多項式クラウド拡張を上回る性能を示し、特に入力ビームパラメータの変動に対して顕著である。
• 入力ビームパラメータ（例：トゥイッスパラメータ）の変動に対しては、サーモンモデルがビーム透過率およびエミッタンスの予測において高い精度（低誤差）を達成する。
• 構造的ハードウェア変更（例：電極の変調、フォーカス強度）に対する応答を予測する際、サーモンモデルの誤差は顕著に増加し、エミッタンスでは最大12％に達する。
• 空間電荷を無効化しても誤差は依然として高いままであるため、非線形ビームダイナミクスの影響ではなく、モデルの一般化能力の限界に起因している可能性が高い。
• ソボルのインデックスは、特に横方向エミッタンスに対してはDVAR9、DVAR10、DVAR13（同期位相関数）を、縦方向エミッタンスに対してはDVAR5（変調係数）を、最も影響力の高い設計変数として適切に同定した。
• 全ハードウェア最適化において高い誤差を示すものの、サーモンモデルは事前段階での設計空間の縮小に有効であり、高精度シミュレーションに続く効率的なアプローチを可能にする。