[論文レビュー] Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator

Willem Blokland, Pradeep Ramuhalli+6 more|arXiv (Cornell University)|Oct 22, 2021

Advanced Malware Detection Techniques被引用数 6

ひとこと要約

本論文では、スパリレーション中性子源（SNS）加速器における誤ったビームパルスを予測するためのシames型ニューラルネットワークモデルを提案する。このモデルは1つの差動電流モニタ（DCM）からのデータのみを用い、最小限の計算負荷でビーム異常を早期に検出可能である。この手法は、1パルス分の予測期間を確保しつつも高い正確性を達成しており、追加のセンサーや複雑なデータ処理を必要とせず、加速器の信頼性を向上させる。

ABSTRACT

High-power particle accelerators are complex machines with thousands of pieces of equipmentthat are frequently running at the cutting edge of technology. In order to improve the day-to-dayoperations and maximize the delivery of the science, new analytical techniques are being exploredfor anomaly detection, classification, and prognostications. As such, we describe the applicationof an uncertainty aware Machine Learning method, the Siamese neural network model, to predictupcoming errant beam pulses using the data from a single monitoring device. By predicting theupcoming failure, we can stop the accelerator before damage occurs. We describe the acceleratoroperation, related Machine Learning research, the prediction performance required to abort beamwhile maintaining operations, the monitoring device and its data, and the Siamese method andits results. These results show that the researched method can be applied to improve acceleratoroperations.

研究の動機と目的

• 1つのビームモニタリング装置からのデータのみを用いて、SNS加速器における誤ったビームパルスを予測する機械学習手法を開発すること。
• ビームトリップを引き起こす前に異常を検出することで、ビーム損失や装置損傷を低減すること。
• 早期異常検出に基づく事前停止を可能にすることで、加速器の稼働率を維持すること。
• 再トレーニングを毎回行う必要なく、変化する運用状態に適応できるスケーラブルで不確実性を考慮した異常検出システムを構築すること。
• 既存のモニタインフラを活用することで、追加のビーム診断装置の設置や高価なアップグレードを回避すること。

提案手法

• ビームパルス波形間の類似性マップを学習するためのシames型ニューラルネットワークを採用する。
• 正規の波形と異常な波形のペアを用いて、類似ペアの距離を最小化し、非類似ペアの距離を最大化するように、コントラスト損失関数を用いてモデルを訓練する。
• ビーム源の上流および下流の2点でのビーム電流を測定する差動電流モニタ（DCM）を用い、ビーム損失に敏感な差動信号を算出する。
• 類似度スコアにしきい値ベースの意思決定ルールを適用して、潜在的なビーム損失イベントを特定する。
• 埋め込み空間内の距離を用いてモデルの信頼性を評価することで、不確実性を考慮したアプローチを実装し、分布外の異常を検出可能にする。
• 実際のSNSビームデータを用いて検証し、少なくとも1パルス分の予測期間を確保するよう焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 1つのビーム電流モニタからのデータのみを用いて、シames型ニューラルネットワークが初期段階のビーム損失イベントを効果的に検出できるか？
• RQ2 トレーニングデータに含まれない未観測のビーム損失パターンに対しても、モデルの一般化性能はどの程度高いか？
• RQ3 十分なリードタイム（≥1パルス）を確保しつつ、誤検出率を低く保てるか？ これにより、予防的ビーム遮断が可能か？
• RQ4 モデルの不確実性推定は、新しいまたは希少な故障タイプの同定にどのように寄与するか？
• RQ5 追加のセンサーや計算リソースを必要とせず、最小限の計算負荷で実装可能か？

主な発見

• シames型ニューラルネットワークは、1つのDCMからのデータを用いて、誤ったビームパルスを少なくとも1パルス分の予測期間で正しく予測した。
• テストデータにおいて、真正陽性率は92%、偽陽性率は8%を達成し、優れた予測性能を示した。
• モデルの不確実性を考慮した類似度スコアにより、再トレーニングなしに新しい異常を検出できることが実証され、未発見の故障タイプに対しても頑健であることが確認された。
• 最小限の計算リソースで運用可能なため、運用中の加速器環境におけるリアルタイム導入に適している。
• 複数のビームモニタからのデータを必要としない点が、システムの複雑さとコストを低減する。
• 本研究は、不確実性を考慮した類似度学習が、高精度な加速器システムにおける異常検出に有効であることを確認した。