面向粒子加速器调谐的分类修剪贝叶斯优化——潜在空间探索框架
机器学习
2024-12-03 v1
摘要
复杂的动力系统（如粒子加速器）通常需要复杂且耗时的调谐程序以实现最佳性能。这些程序可能还需估计支配空间-时间束动力学的 optimal system parameters，这可以是一个高维优化问题。为此，我们提出了一种基于分类修剪贝叶斯优化的潜在空间调谐器(CBOL-Tuner)，用于高效探索时序结构潜在空间。CBOL-Tuner集成了用于潜在空间表示的卷积变分自编码器(CVAE)，用于时序动力学的长短期记忆网络(LSTM)，用于参数估计的密集神经网络(DNN)，以及用于自适应搜索和过滤潜在空间以寻找最优解的分类修剪贝叶斯优化器(C-BO)。CBOL-Tuner在识别多个最优设置方面表现优于替代的全局优化方法。
引用
@article{arxiv.2412.01748,
title = {CBOL-Tuner: Classifier-pruned Bayesian optimization to explore temporally structured latent spaces for particle accelerator tuning},
author = {Mahindra Rautela and Alan Williams and Alexander Scheinker},
journal= {arXiv preprint arXiv:2412.01748},
year = {2024}
}