面向非平稳分布的自适应潜空间调谐
机器学习
2021-06-08 v4 机器学习
加速器物理
摘要
强大的深度学习工具，如卷积神经网络（CNN），能够直接从数据中学习大型复杂系统的输入输出关系。编码器-解码器深度CNN能够直接从图像中提取特征，在通用低维潜空间中将其与标量输入混合，然后生成表示复杂物理现象的新的复杂2D输出。深度学习方法面临的一个重要挑战是特性随时间快速变化且无法重新训练的大型非平稳系统。本文中，我们提出一种基于实时反馈的深度编码器-解码器风格CNN低维潜空间自适应调谐方法，以快速补偿未知且快速的分布偏移。我们在预测粒子加速器中时变带电粒子束的特性上展示了我们的方法，该加速器的组件（加速电场和聚焦磁场）也随时间快速变化。
引用
@article{arxiv.2105.03584,
title = {Adaptive Latent Space Tuning for Non-Stationary Distributions},
author = {Alexander Scheinker and Frederick Cropp and Sergio Paiagua and Daniele Filippetto},
journal= {arXiv preprint arXiv:2105.03584},
year = {2021}
}