用于不确定性感知加速器电容预测的保距机器学习
机器学习
2023-07-06 v1 加速器物理
摘要
提供准确的不确定性估计对于生成可靠的机器学习模型至关重要，尤其是在加速器系统等安全关键应用中。高斯过程模型通常被视为该任务的黄金标准方法，但它们在处理大规模高维数据集时可能存在困难。将深度神经网络与高斯过程近似技术相结合已展现出有前景的结果，但通过标准深度神经网络层进行的降维并不能保证维持高斯过程模型所需的距离信息。我们在先前工作的基础上，比较了使用奇异值分解与谱归一化全连接层作为深度神经高斯过程近似模型的特征提取器，并将其应用于橡树岭散裂中子源中高压变换器调制器的电容预测问题。我们的模型显示出改进的距离保持能力，并以小于1%的误差预测分布内电容值。
引用
@article{arxiv.2307.02367,
title = {Distance Preserving Machine Learning for Uncertainty Aware Accelerator Capacitance Predictions},
author = {Steven Goldenberg and Malachi Schram and Kishansingh Rajput and Thomas Britton and Chris Pappas and Dan Lu and Jared Walden and Majdi I. Radaideh and Sarah Cousineau and Sudarshan Harave},
journal= {arXiv preprint arXiv:2307.02367},
year = {2023}
}