[论文解读] 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 10

一句话总结

本文提出一种基于马尔可夫链蒙特卡洛（MCMC）的贝叶斯推断框架，利用逐转束位置监测器（TbT BPM）数据重建存储环线性光学，实现同时估计Twiss参数及其不确定性，同时考虑辐射阻尼和非线性退相干效应。该方法仅需单个数据集即可实现准确、具备不确定性的光学重建，在NSLS-II上表现出稳健性能，与已知模型参数具有定量一致性。

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.

研究动机与目标

• 开发一种基于数据驱动的方法，利用TbT BPM数据重建存储环线性光学，同时量化不确定性。
• 将辐射阻尼和非线性退相干等物理效应直接整合到推断模型中。
• 在机器发生显著漂移前，仅使用单个数据集实现精确的光学重建。
• 为机器调谐和性能优化提供光学参数的后验分布作为先验信息。
• 展示基于MCMC的贝叶斯推断在真实加速器诊断中应用的可行性与准确性，基于NSLS-II数据进行验证。

提出的方法

• 该方法采用贝叶斯推断，似然函数基于贝塔特罗尼振荡模型推导：$ x_i(j) = x_{c,i} + A_i(j)x_i(0)\cos(2\pi\nu_x j + \phi_i) + \xi_i(j) $。
• 使用哈密顿-梅特罗波利斯MCMC算法对未知参数（如Twiss参数、阻尼率、退相干强度）的后验分布进行采样。
• 为模型参数分配先验分布，MCMC链通过合理猜测初始化，以加速收敛。
• 似然函数采用高斯退相干近似建模束流运动：$ A(j) \approx \exp\left[-\frac{rQ^2j^2}{2}(1 + \frac{2}{Z^2})\right] $，其中$ r $被调整以匹配完整的非线性退相干。
• 通过MCMC采样避免计算归一化因子$ P(M) $，其目标为未归一化的后验$ P(H|M) \propto P(M|H)P(H) $。
• 通过后验预测检验和退相干模型拟合测量数据的比较，指导模型选择。

实验结果

研究问题

• RQ1 基于MCMC的贝叶斯推断能否从单组TbT BPM数据中准确重建Twiss参数及其不确定性？
• RQ2 该方法在同时建模和推断非线性退相干与辐射阻尼效应方面表现如何？
• RQ3 具有可调参数$ r $的高斯退相干近似在实际中是否能充分再现完整的非线性退相干模型？
• RQ4 推断得到的光学参数后验分布在多大程度上提升了机器调谐的精度？
• RQ5 该方法是否可在无需先验束团模型的情况下应用于真实存储环数据？

主要发现

• 基于MCMC的贝叶斯推断成功从NSLS-II的单个TbT数据集中重建了Twiss参数及其不确定性，后验分布中心接近已知模型值。
• 推断得到的辐射阻尼率和非线性退相干强度$ Q $与NSLS-II束团模型及束流参数的预期一致。
• 采用$ r = 0.98 $的改进高斯退相干模型在2000转内与完整非线性退相干形式（公式13）高度吻合，误差降低至$ \mathcal{O}(Q^4j^4) $量级。
• 即使在高维参数空间下，该方法也能在合理迭代次数内实现收敛和准确采样。
• 后验分布不仅提供点估计，还提供可信区间，支持不确定性感知的光学校正。
• 该方法对测量噪声具有鲁棒性，在标准高斯近似（公式14）不完全成立时（因$ QN/Z \approx 0.32 $）仍表现有效。