面向粒子加速器的不确定性感知深度学习
机器学习
2023-09-27 v1 加速器物理
摘要
用于分类和回归任务的标准深度学习模型非常适于捕捉复杂系统动力学。然而,当输入样本与训练数据不相似时,它们的预测可能任意不准确。距离感知不确定性估计的实现可用于检测这些情形,并提供与其预测相关联的置信水平。在本文中,我们展示了使用深度高斯过程近似(DGPA)方法在散裂中子源(SNS)加速器(分类)进行错误束流预测的结果,并提供了费米国家加速器实验室(FNAL)Booster 加速器复合体(回归)的不确定性感知代理模型。
引用
@article{arxiv.2309.14502,
title = {Uncertainty Aware Deep Learning for Particle Accelerators},
author = {Kishansingh Rajput and Malachi Schram and Karthik Somayaji},
journal= {arXiv preprint arXiv:2309.14502},
year = {2023}
}
备注
6 pages, 2 figures, Neurips Physical Sciences Workshop