用于粒子加速器中束流动力学生成与预测的条件潜变量自回归循环模型
加速器物理
2024-03-22 v1 计算机视觉与模式识别
机器学习
摘要
粒子加速器是聚焦、引导并加速强流带电粒子束至高能量的复杂系统。由于有限的非破坏性测量、计算量大的模拟以及系统固有的不确定性，束流诊断是一个具有挑战性的问题。我们提出了一种名为条件潜变量自回归循环模型（CLARM）的两步无监督深度学习框架，用于学习加速器中带电粒子的时空动力学。CLARM由一个将六维相空间变换到低维潜变量分布的条件变分自编码器（CVAE）和一个以自回归方式捕捉时间动力学的长短期记忆（LSTM）网络组成。CLARM可以通过对潜空间表示进行采样和解码，生成不同加速器模块处的投影。该模型还能从过去状态（上游位置）预测带电粒子的未来状态（下游位置）。结果表明，在多种评估指标下进行测试时，所提方法的生成和预测能力均展现出良好的前景。
引用
@article{arxiv.2403.13858,
title = {A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators},
author = {Mahindra Rautela and Alan Williams and Alexander Scheinker},
journal= {arXiv preprint arXiv:2403.13858},
year = {2024}
}