粒子加速器仿真中反向模式微分的记忆扩张：含空间电荷
加速器物理
2026-05-27 v1 计算物理
摘要
粒子加速器仿真代码的近期发展使得梯度化工作流程能够实现对加速设施的更细致控制和更真实的建模。然而，在使用反向模式自动微分时，仿真期间的内存使用持续增加，尤其当包含高成本空间电荷计算时，可能超过可用硬件内存。为研究可微仿真的内存需求，我们在支持反向模式微分的 PyTorch 基于 PyTorch 的束流跟踪代码 Cheetah 中实现了空间电荷。我们发现，反向模式微分的内存使用随 macroparticle 数目和单元数目呈线性增长，并与仿真中空间电荷 kick 次数成正比。这种通用扩展规律可用于评估给定可微仿真在硬件内存限制下的可行性。
引用
@article{arxiv.2605.27282,
title = {The Memory Scaling of Reverse-Mode Differentiation in Particle Accelerator Simulations with Space Charge},
author = {Arjun Dhamrait and Edoardo Zoni and Axel Huebl and Ji Qiang and Chad E. Mitchell and Ryan Roussel and Jan Kaiser and Chenran Xu and Jean-Luc Vay and Remi Lehe},
journal= {arXiv preprint arXiv:2605.27282},
year = {2026}
}
备注
accepted in PASC26