机器学习在粒子加速器系统多目标优化中实现数量级加速
加速器物理
2020-04-15 v5 计算物理
摘要
高保真物理仿真在带电粒子加速器的设计与优化中是强有力的工具。然而，这些仿真的计算负担往往限制了它们在实际设计优化与实验规划中的使用，也排除了它们作为与加速器运行直接相连的在线模型的可能。我们引入一种基于机器学习的方法，以创建由物理仿真的稀疏采样所驱动的非线性、快速执行的代理模型。这些模型的执行效率高出 10^6 至 10^7 倍。我们还证明，这些模型可可靠地用于多目标优化，从而在初步设计研究与实验规划中获得数量级加速。例如，对于我们的主要测试用例，获得等价解所需的仿真评估次数减少了 132 倍，初步研究表明在使用迭代再训练过程时所需仿真评估次数减少介于 330 至 550 倍之间。我们的方法以极低的计算成本实现了高保真粒子加速器仿真的新使用方式。
引用
@article{arxiv.1903.07759,
title = {Machine Learning for Orders of Magnitude Speedup in Multi-Objective Optimization of Particle Accelerator Systems},
author = {Auralee Edelen and Nicole Neveu and Yannick Huber and Mattias Frey and Christopher Mayes and Andreas Adelmann},
journal= {arXiv preprint arXiv:1903.07759},
year = {2020}
}
备注
under review for publication