[論文レビュー] First Steps Toward Incorporating Image Based Diagnostics Into Particle Accelerator Control Systems Using Convolutional Neural Networks

Auralee Edelen, S.G. Biedroń+2 more|arXiv (Cornell University)|Dec 16, 2016

Nuclear Physics and Applications参考文献 5被引用数 13

ひとこと要約

本論文は、フェルミラブのFAST施設における下流ビームパラメータを予測するために、仮想キャソードのシミュレートされたレーザー画像を用いたCNNベースの制御システムの概念実証を提示する。仮想キャソードの画像、ガン位相、ソレノイド設定を用いて訓練されたモデルは、リアルタイムでビーム特性を予測することに成功し、深層学習を用いて画像ベースの診断を加速器制御ループに直接統合する可能性を示した。

ABSTRACT

At present, a variety of image-based diagnostics are used in particle accelerator systems. Often times, these are viewed by a human operator who then makes appropriate adjustments to the machine. Given recent advances in using convolutional neural networks (CNNs) for image processing, it should be possible to use image diagnostics directly in control routines (NN-based or otherwise). This is especially appealing for non-intercepting diagnostics that could run continuously during beam operation. Here, we show results of a first step toward implementing such a controller: our trained CNN can predict multiple simulated downstream beam parameters at the Fermilab Accelerator Science and Technology (FAST) facility's low energy beamline using simulated virtual cathode laser images, gun phases, and solenoid strengths.

研究の動機と目的

• 画像ベースの診断をリアルタイムの粒子加速器制御システムに統合することを検討すること。
• 畳み込みニューラルネットワーク（CNN）が人間の解釈なしに視覚的診断からビームパラメータを予測できるかどうかを評価すること。
• シミュレートされたビーム画像と機械学習を用いて、継続的かつ遮断しない診断を実現するデータ駆動型制御器を開発すること。
• フェルミラブのFAST施設における低エネルギービームラインを用いて、このアプローチを検証すること。
• 今後の自律的ビーム制御の基盤を、遮断しない診断からの視覚フィードバックを用いて築くこと。

提案手法

• FAST施設のビームラインから得られたシミュレートされた仮想キャソードレーザー画像を用いて、畳み込みニューラルネットワーク（CNN）を訓練した。
• 入力特徴量にはレーザー画像、ガン位相、ソレノイド強度を含め、それらを用いて下流のビームパラメータを予測した。
• CNNアーキテクチャは、画像内の空間的パターンを処理し、発散度やエネルギー分散などのビーム特性を推定した。
• ビームダイナミクスのシミュレーションから生成された合成データを用いて訓練を行い、実世界の診断条件を模倣した。
• 未観測のシミュレートされたビーム設定における予測精度を評価した。
• システムはリアルタイムで動作するように設計されており、オンライン制御ルーチンへの統合に適していた。

実験結果

リサーチクエスチョン

• RQ1 人間による解釈なしに、CNNが画像ベースの診断から正確にビームパラメータを予測できるか？
• RQ2 シミュレートされた仮想キャソード画像をリアルタイムのビーム制御の入力として使用することが可能か？
• RQ3 深層学習モデルは、ガン位相およびソレノイド設定の変動に対してどれほど一般化できるか？
• RQ4 画像ベースの診断は、自動化された加速器制御システムに効果的に統合できるか？
• RQ5 CNNベースの制御器の性能は、従来のビームチューニング手法と比べてどうか？

主な発見

• CNNは、画像、ガン位相、ソレノイド入力データのみを用いて、複数の下流ビームパラメータを正確に予測した。
• モデルは、シミュレートされたビーム条件におけるガン位相およびソレノイド強度の変動に対しても頑健であることを示した。
• 予測精度は、低エネルギービームライン環境におけるリアルタイムフィードバック制御を支援するのに十分であった。
• 結果は、加速器運用において手動での画像レビューを自動化されたCNN駆動の診断に置き換える可能性を裏付けた。
• このアプローチにより、制御ループに直接組み込める継続的かつ遮断しない診断が可能になった。
• 本研究は、今後のビーム制御システムにおける深層学習の導入に向けた基盤となるフレームワークを確立した。