[논문 리뷰] Advanced Control Methods for Particle Accelerators (ACM4PA) 2019 Workshop Report

Alexander Scheinker, Claudio Emma외 2명|arXiv (Cornell University)|2020. 01. 15.

Particle Accelerators and Free-Electron Lasers참고 문헌 18인용 수 5

한 줄 요약

이 워크숍 보고서는 자유전자 레이저(FELs)와 플라즈마 웨이크필드 가속기와 같은 입자 가속기를 최적화하기 위해 공동체 기반의 고급 제어 및 기계학습(ML) 알고리즘 프레임워크를 제안한다. 신경망을 통해 초기 설정 파rameter를 추정하고, 적응형 극값 탐색을 적용하여 시간에 따라 변화하는 최적 설정을 추적함으로써, 드리프트와 불확실성에도 불구하고 강건한 비드 제어를 달성한다.

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.

연구 동기 및 목표

• 제한된 비침습적 진단 수단과 시간에 따라 변화하는 시스템 불확실성으로 인해 고강도·초단파 빔을 캘리브레이션하는 데 도전하는 문제를 해결한다.
• 차세대 가속기용 공통의, 공동체가 유지 관리하는 제어 및 진단 알고리즘 가족을 개발한다.
• 비선형 역학, 드리프트, SASE와 같은 확률적 과정을 포함한 시스템에서 전통적인 모델 기반 제어의 한계를 극복한다.
• LCLS, EuXFEL, FACET-II와 같은 복잡한 가속기를 신속하고 자동으로 캘리브레이션하여 전문가의 간섭과 캘리브레이션 시간을 줄인다.
• 기계학습과 모델 독립 피드백을 통합하여 변화하는 조건에서도 최적 설정을 추적할 수 있는 적응형·강건한 제어 시스템을 구축한다.

제안 방법

• 심층 신경망(DDN)을 사용하여 원하는 종방향 위상공간 분포에서 필요한 가속기 파arameter로의 매핑을 수행하여 초도 제어 추측치를 제공한다.
• 모델 독립 피드백 알고리즘인 극값 탐색(ES)을 적용하여 시스템 드리프트와 불확실성에도 불구하고 실시간으로 최적 설정을 정밀 조정하고 추적한다.
• NN 기반 초기화와 국소 적응형 피드백을 조합하여 시간에 따라 변화하는 환경에서도 빠른 수렴과 지속적인 성능을 달성한다.
• 공간 전하, 강한 동기 방사선과 같은 계산 비용이 큰 과정의 실험 데이터나 시뮬레이션을 기반으로 ML 모델을 훈련시어 캘리브레이션과 진단을 가속화한다.
• 비침습적 진단 수단인 횡방향 탈속 캐비티(TCAVs)와 광학 회절 방사선(ODR)을 활용하여 빔 위상공간을 빔을 차단하지 않고 모니터링한다.
• 이전에 훈련된 모델을 새로운 가속기 구성이나 시뮬레이션 데이터에 효과적으로 적응시키기 위해 전이 학습 및 재훈련 전략을 구현한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 시스템 드리프트와 불확실성이 존재하는 복잡한 빔 프로파일에 대해 기계학습을 어떻게 활용하여 최적 가속기 설정을 신속하게 추정할 수 있는가?
• RQ2 실시간 빔 제어를 위한 FEL에서 데이터 기반 신경망과 모델 없는 적응형 피드백 간의 최적 통합 전략은 무엇인가?
• RQ3 전이 학습과 재훈련은 새로운 가속기 구성이나 시뮬레이션 환경에 맞게 ML 모델을 적응시킬 때 전체 재훈련이 필요한지를 줄일 수 있는가?
• RQ4 NN 기반 초기화와 극값 탐색의 조합은 LCLS나 EuXFEL와 같은 시설에서 캘리브레이션 시간을 줄이고 빔 품질을 향상시키는 데 얼마나 효과적인가?
• RQ5 FACET-II와 AWAKE와 같은 플라즈마 웨이크필드 가속기에서의 주요 진단 및 제어 과제는 무엇이며, 기계학습 기반 방법은 이를 어떻게 해결할 수 있는가?

주요 결과

• 신경망을 통한 초도 추정과 극값 탐색을 조합한 적응형 ML 접근법은 빔과 시스템 드리프트가 존재하는 상황에서도 최적의 FEL 출력 전력 설정을 성공적으로 추적했다.
• LCLS에서 이 하이브리드 방법은 저전하, 3-fs 빔 작동으로의 재구성에 소요되던 캘리브레이션 시간을 수시간에서 수분으로 단축시켰다.
• 실험 결과에 따르면, NN이 양호한 초도 추측치를 제공한 후, 극값 탐색이 시간에 따라 변화하는 빔 조건에서도 몇 분 내로 최적 설정으로 수렴하는 것으로 나타났다.
• 이 방법은 LANSCE(위상 제어), SPEAR3(레지스트리 안정화), FACET(비침습적 진단)를 포함한 여러 시설에서 성공적으로 시연되었다.
• 극값 탐색이 시간에 따라 변화하는 레지스트리에서 베타트론 진동을 최소화하고, 전체 시스템 모델이 필요 없이도 FEL 출력 전력을 최대화하는 데 성공했다.
• 실가속기 데이터나 고정밀 시뮬레이션을 기반으로 ML 모델을 재훈련함으로써, 공간 전하 및 강한 동기 방사선과 같은 복잡한 빔 역학을 더 빠르고 정확하게 캘리브레이션할 수 있었다.