[논문 리뷰] Reconstruction of Storage Ring 's Linear Optics with Bayesian Inference

Yue Hao, Yongjun Li외 3명|arXiv (Cornell University)|2019. 02. 28.

Industrial Vision Systems and Defect Detection참고 문헌 1인용 수 10

한 줄 요약

이 논문은 전자기 방출 감쇠와 비선형 분산을 고려하여, 한 번의 데이터셋으로도 정확하고 불확실성 인식이 가능한 선형 광학 재구성 기반의 베이지안 추론 프레임워크를 제시한다. 이는 전방위적인 전이 함수 매개변수와 그 불확실성의 동시 추정을 가능하게 하며, NSLS-II에서의 실증적 성능은 알려진 모델 매개변수와 정량적으로 일치함을 보여준다.

ABSTRACT

A novel approach of accurately reconstructing storage ring's linear optics from turn-by-turn (TbT) data containing measurement error is introduced. This approach adopts a Bayesian inference based on the Markov Chain Monte-Carlo (MCMC) algorithm, which is widely used in data-driven discoveries. By assuming a preset accelerator model with unknown parameters, the inference process yields the their posterior distribution. This approach is demonstrated by inferring the linear optics Twiss parameters and their measurement uncertainties using a set of data measured at the National Synchrotron Light Source-II (NSLS-II) storage ring. Some critical effects, such as radiation damping rate, decoherence due to nonlinearity and chromaticity can also be included in the model and inferred. These effects are usually ignored in existing approaches. One advantage of the MCMC based Bayesian inference is that it doesn't require a large data pool, thus a complete optics reconstruction can be accomplished from a limited number of turns in a single data snapshot, before a significant machine drift can happen. The precise reconstruction of the parameter in accelerator model with the uncertainties is crucial prior information for applying the them to improve machine performance.

연구 동기 및 목표

• TbT 비전 모니터 데이터를 활용한 데이터 기반의 저장 고리 선형 광학 재구성 방법을 개발하여 불확실성 측정을 포함한다.
• 방출 감쇠와 비선형 분산과 같은 물리적 효과를 직접 추론 모델에 통합한다.
• 기계의 큰 변화가 일어나기 전에 단일 데이터셋으로부터 정밀한 광학 재구성을 가능하게 한다.
• 기계 조정 및 성능 최적화를 위한 사전 정보로 광학 매개변수의 사후 분포를 제공한다.
• MCMC 기반의 베이지안 추론이 실질적인 가속기 진단에서 NSLS-II 데이터를 사용하여 실현 가능하고 정확한가를 입증한다.

제안 방법

• 이 방법은 베타트론 진동 모델에서 유도된 우도 함수를 사용하는 베이지안 추론을 적용한다: $ x_i(j) = x_{c,i} + A_i(j)x_i(0)\cos(2\pi\nu_x j + \phi_i) + \xi_i(j) $.
• Hastings-Metropolis MCMC 알고리즘을 사용하여 알려지지 않은 매개변수(예: 전이 함수 매개변수, 감쇠율, 분산 강도)의 사후 분포를 샘플링한다.
• 모델 매개변수에 사전 분포를 할당하고, 수렴을 가속화하기 위해 합리적인 추측값으로 MCMC 체인을 초기화한다.
• 우도 함수는 빔 운동을 정규 분포 근사로 모델링하며, 분산 인자는 다음과 같이 표현된다: $ A(j) \approx \exp\left[-\frac{rQ^2j^2}{2}(1 + \frac{2}{Z^2})\right] $, 여기서 $ r $ 는 전체 비선형 분산과 일치하도록 조정된다.
• 정규화 요소 $ P(M) $ 는 MCMC 샘플링을 통해 피하기 위해, 비정규화된 사후 분포 $ P(H|M) \propto P(M|H)P(H) $ 를 직접 타겟으로 삼는다.
• 모델 선택은 사후 예측 검증 및 측정된 데이터에 대한 분산 모델 적합도 비교를 통해 유도된다.

실험 결과

연구 질문

• RQ1 단일 TbT 비전 모니터 데이터 세트로부터 MCMC 기반의 베이지안 추론이 전이 함수 매개변수와 그 불확실성을 정확히 재구성할 수 있는가?
• RQ2 이 방법은 비선형 분산과 방출 감쇠 효과를 동시에 모델링하고 추론하는 데 얼마나 잘 작동하는가?
• RQ3 조정 가능한 매개변수 $ r $ 를 가진 정규 근사 분산 인자는 실질적으로 전체 비선형 분산 모델을 얼마나 잘 재현하는가?
• RQ4 유도된 광학 매개변수의 사후 분포가 기계 조정 정밀도를 어느 정도 향상시키는가?
• RQ5 이 방법은 사전 라티스 모델이 없는 실세계 저장 고리 데이터에 적용 가능한가?

주요 결과

• MCMC 기반의 베이지안 추론은 NSLS-II에서 단일 TbT 데이터셋으로부터 전이 함수 매개변수와 그 불확실성을 성공적으로 재구성하였으며, 사후 분포는 알려진 모델 값 근처에 집중되어 있었다.
• 유도된 방출 감쇠율과 비선형 분산 강도 $ Q $ 는 NSLS-II 라티스 모델과 빔 매개변수의 예상치와 일치하였다.
• 매개변수 $ r = 0.98 $ 을 가진 수정된 정규 분산 모델은 2000턴 동안 전체 비선형 분산 형태(식 13)와 밀접하게 일치하였으며, 오차는 $ \mathcal{O}(Q^4j^4) $ 수준으로 감소하였다.
• 고차원 매개변수 공간에서도 실용적인 반복 수 내에서 수렴과 정확한 샘플링을 달성하였다.
• 사후 분포는 점 추정치 외에도 신뢰 구간을 제공하여 불확실성 인식이 가능한 광학 보정을 가능하게 하였다.
• 이 방법은 측정 노이즈에 대해 강건했으며, $ QN/Z \approx 0.32 $ 인 상황에서 표준 정규 근사(식 14)가 완전히 유효하지 않더라도 효과적으로 작동하였다.