[論文レビュー] Reconstruction of Storage Ring 's Linear Optics with Bayesian Inference

Yue Hao, Yongjun Li+3 more|arXiv (Cornell University)|Feb 28, 2019

Industrial Vision Systems and Defect Detection参考文献 1被引用数 10

ひとこと要約

本論文は、放射線減衰および非線形分解相関を考慮しながら、1回のデータセットからも高精度で不確実性を伴った光学再構成を可能にする、ベイズ推論フレームワークを提示する。この手法は、逐次的ビーム位置モニタ（BPM）データを用いて、線形光学を再構成するためのマルコフ連鎖モンテカルロ（MCMC）法を採用しており、Twissパラメータとその不確実性を同時に推定する。NSLS-IIにおける実験的評価では、既知のモデルパラメータと定量的に一致する良好な性能を示した。

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.

研究の動機と目的

• TbTビーム位置モニタ（BPM）データを用いたデータ駆動型手法を開発し、不確実性を明確にしたストレージリングの線形光学再構成を実現すること。
• 放射線減衰や非線形分解相関といった物理的効果を推論モデルに直接組み込むこと。
• マシンの大きな変動が生じる前、1つのデータセットからも高精度な光学再構成を可能にすること。
• マシンチューニングおよび性能最適化のための事前情報として、光学パラメータの事後分布を提供すること。
• NSLS-IIの実データを用いて、MCMCに基づくベイズ推論の実用性と正確性を実証すること。

提案手法

• 本手法は、ベイズ推論を採用し、ビートロン振動モデルから導かれる尤度関数を用いる：$ x_i(j) = x_{c,i} + A_i(j)x_i(0)\cos(2\pi\nu_x j + \phi_i) + \xi_i(j) $。
• 未知パラメータ（例：Twissパラメータ、減衰率、分解相関強度）の事後分布は、ハスティングス＝メトロポリスMCMCアルゴリズムを用いてサンプリングされる。
• モデルパラメータに事前分布を割り当て、収束を早めるために妥当な初期値でMCMCチェインを初期化する。
• 尤度関数は、ガウス近似を用いた分解相関をモデル化する：$ A(j) \approx \exp\left[-\frac{rQ^2j^2}{2}(1 + \frac{2}{Z^2})\right] $、ここで$ r $は完全な非線形分解相関に一致するように調整される。
• 正規化定数$ P(M) $を回避するため、非正規化事後分布$ P(H|M) \propto P(M|H)P(H) $を直接標本抽出対象とするMCMCサンプリングを採用する。
• モデル選択は、事後予測チェックおよび測定データへの分解相関モデルの適合度の比較によって行われる。

実験結果

リサーチクエスチョン

• RQ1 1つのTbT BPMデータセットから、MCMCを用いたベイズ推論が、Twissパラメータとその不確実性を正確に再構成できるか？
• RQ2 本手法は、非線形分解相関と放射線減衰の両方を同時にモデル化・推定できるか？
• RQ3 調整可能なパrameter $ r $ を持つガウス近似による分解相関因子は、実際の完全な非線形分解相関モデルを十分に再現できるか？
• RQ4 推定された光学パラメータの事後分布は、マシンチューニングの精度をどの程度向上させるか？
• RQ5 事前ラティスモデルが不要な状態で、本手法は実世界のストレージリングデータに適用可能か？

主な発見

• MCMCに基づくベイズ推論は、NSLS-IIにおける1つのTbTデータセットからも、Twissパラメータとその不確実性を成功裏に再構成した。事後分布は、既知のモデル値の周辺に集中していた。
• 推定された放射線減衰率および非線形分解相関強度$ Q $は、NSLS-IIのラティスモデルとビームパラメータからの期待値と整合的であった。
• パrameter $ r = 0.98 $ を用いた修正ガウス分解相関モデルは、2000ターンにわたり、完全な非線形分解相関形式（式13）とよく一致し、誤差を$ \mathcal{O}(Q^4j^4) $にまで低減した。
• 高次元パラメータ空間においても、実用的な反復回数内で収束と正確なサンプリングが達成された。
• 事後分布は点推定値だけでなく、信頼区間も提供し、不確実性を伴った光学補正を可能にした。
• 測定ノイズに対して頑健であり、$ QN/Z \approx 0.32 $ のため、標準的なガウス近似（式14）が完全に成立しない状況でも有効であった。