神经网络作为射频四极杆粒子加速器模拟的有效代理模型
计算物理
2024-03-18 v2 加速器物理
摘要
射频四极杆（RFQ）是一种多用途直线粒子加速器，可同时聚束并加速带电粒子束。由于效率惊人，它们在加速器物理中无处不在，尤其作为更高能量机器的注入器。由于需要反复进行高保真模拟，这些装置的设计与优化可能耗时漫长。近期的若干论文已表明，机器学习可用于构建代理模型（计算昂贵束流模拟的快速执行替代物），从而实现数量级的计算时间加速。然而，尽管这些初步研究令人鼓舞，其预测精度仍有提升空间。特别是，束流汇总统计量如发射度（粒子加速器物理中的重要品质因数）历来难以预测。我们首次提出一个在 200,000 个样本上训练的代理模型，对所有相关束流输出参数的预测产生 <6% 平均绝对百分比误差，并通过识别并纳入先前未考虑的隐藏变量，解决了发射度预测不佳的问题。这些代理模型得益于 Julia 语言与 GPU 计算而成为可能；我们对此作了简要讨论。我们通过使用最佳模型作为目标函数中的回调来执行多目标优化以选取最优 RFQ 设计，展示了代理建模的效用。我们考量了各种帕累托最优设计变量选择下 RFQ 性能的权衡：这是任何多目标优化方案的共同问题。最后，我们就输入数据准备、选择及神经网络架构给出建议，为未来开发可用于生产的 RFQ 及其他粒子加速器代理模型铺平道路。
引用
@article{arxiv.2210.11451,
title = {Neural Networks as Effective Surrogate Models of Radio-Frequency Quadrupole Particle Accelerator Simulations},
author = {Joshua Villarreal and Daniel Winklehner and Daniel Koser and Janet Marie Conrad},
journal= {arXiv preprint arXiv:2210.11451},
year = {2024}
}