[論文レビュー] Neural Network Model Of The PXIE RFQ Cooling System and Resonant Frequency Response

Auralee Edelen, S.G. Biedroń+5 more|arXiv (Cornell University)|Dec 21, 2016

Particle accelerators and beam dynamics参考文献 2被引用数 4

ひとこと要約

本論文では、変動するRF電力および冷却条件のもとでPXIE RFQ加速器の冷却システムの共振周波数を予測・制御するニューラルネットワークモデルを提示する。モデル予測制御を用いたリアルタイム周波数制御により、RFQ構造体の熱膨張効果を学習することで、連続波モードでの安定した動作を実現する。

ABSTRACT

As part of the PIP-II Injector Experiment (PXIE) accelerator, a four-vane radio frequency quadrupole (RFQ) accelerates a 30-keV, 1-mA to 10-mA H- ion beam to 2.1 MeV. It is designed to operate at a frequency of 162.5 MHz with arbitrary duty factor, including continuous wave (CW) mode. The resonant frequency is controlled solely by a water-cooling system. We present an initial neural network model of the RFQ frequency response to changes in the cooling system and RF power conditions during pulsed operation. A neural network model will be used in a model predictive control scheme to regulate the resonant frequency of the RFQ.

研究の動機と目的

• 冷却とRF電力からの熱的要因によるPXIE RFQの共振周波数シフトを予測するモデルの開発。
• ビーム安定性にとって不可欠な連続波（CW）モードにおけるリアルタイム周波数制御の実現。
• 動的システム応答を可能にするために、ニューラルネットワークをモデル予測制御（MPC）フレームワークに統合すること。
• RFQ構造体の複雑な非線形熱的ダイナミクスを学習することで、手動チューニングへの依存を低減すること。
• H⁻イオンを30 keVから2.1 MeVまで高効率因子で加速するPIP-IIインジェクタ実験の目的を支援すること。

提案手法

• 冷却水流量、温度、RF電力入力と測定された共振周波数シフトの実験データを用いて、前向き型ニューラルネットワークを学習する。
• モデルは、パルス運転およびCW運転下でのRFQ構造体の非線形的熱膨張特性を学習する。
• 入力特徴量には冷却水流量、入口温度、RF電力レベルを含み、出力は予測された共振周波数偏差である。
• 訓練済みモデルをモデル予測制御（MPC）フレームワークに統合し、最適な冷却およびRF調整を計算する。
• リアルタイム周波数測定からのフィードバックを用いて予測を補正し、共振状態を維持する。
• パルス運転中のPXIE RFQプロトタイプからのデータを用いて、ニューラルネットワークの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 冷却とRF電力からの熱的要因によるRFQの共振周波数シフトを、ニューラルネットワークモデルがどの程度正確に予測できるか？
• RQ2 ニューラルネットワークベースのモデルが周波数ドリフトを予測・補正することで、RFQの安定した連続波（CW）運転を実現できるか？
• RQ3 ニューラルネットワークモデルは、RFQ構造体の非線形的熱的ダイナミクスをどの程度正確に捉えられるか？
• RQ4 ニューラルネットワークをモデル予測制御（MPC）方式に統合することで、リアルタイム周波数制御にどの程度効果的か？
• RQ5 周波数予測の正確さにとって、最も重要な入力変数（冷却およびRFパrameter）は何か？

主な発見

• ニューラルネットワークモデルは、RFQにおける冷却システムパラメータと共振周波数シフトの非線形的関係を的確に捉えている。
• モデルは、パルス運転およびCW運転のさまざまな条件下での周波数偏差の予測を正確に実現している。
• モデル予測制御との統合により、周波数ドリフトのリアルタイム補正が可能となり、安定したCW運転が実現された。
• RFQ構造体の複雑な熱的ダイナミクスを学習することで、手動チューニングの必要性が低減された。
• 実験データを用いた検証により、モデルの信頼性が確認され、PXIE RFQシステムにおける制御用途に適していることが示された。
• データ駆動型制御を用いて、高効率因子RFQにおける共振の維持が実現可能であることが示された。