White Paper on DOE-HEP Accelerator Modeling Science Activities
为了最大限度地发挥计算机建模对未来粒子加速器设计和新加速器技术开发的影响，本白皮书提出了以下基本原理：（a）加强和扩大能源部（DOE）高能物理办公室（HEP）内加速器建模科学的计划活动;（b）增加社区-代码开发的广泛协调和集成。
2013-10-01 cs.DC physics.acc-ph
Neural Network Prior Mean for Particle Accelerator Injector Tuning
贝叶斯优化已被证明是一个强大的工具，用于解决在线加速器优化过程中的黑箱问题。基于贝叶斯的优化技术的主要优点是能够包括有关问题的先验信息以加速优化，即使该信息与实验测量并不完全相关。与此同时，神经网络替代系统模型的加速器设施越来越多地被提供，但目前他们没有被广泛用于在线优化。在这项工作中，我们演示了使用近似神经网络代理模型作为先验均值的高斯过程中使用的贝叶斯优化在一个现实的设置。我们表明，贝叶斯优化的初始性能得到改善，使用神经网络代理模型，即使代理模型作出错误的预测。最后，我们量化了在高维输入空间中解决问题时对代理预测精度的要求，以实现优化性能。
2022-11-16 physics.acc-ph
Simulations of Future Particle Accelerators: Issues and Mitigations
对粒子加速器性能的要求越来越高，这就要求对粒子加速器进行更全面的建模。计算机模拟是粒子加速器成功的关键。粒子加速器的许多方面在某些时候依赖于计算机建模，有时需要复杂的模拟工具和大规模并行超级计算。例子包括在极端强度和密度（接近量子简并极限）下的光束建模，以及超精细控制（下至单个粒子的水平）。在未来，自适应调谐模型也可能依赖于提供超出现有诊断的分辨率的光束测量。许多时间和精力已经投入到创建加速器软件工具中，其中一些非常成功。然而，也有缺点，如现有的软件一般不能很容易地修改，以满足不断变化的仿真需求。在本文中，可能的缓解策略所面临的加速器社区，因为它努力产生更好，更全面的建模工具的问题进行了讨论。这包括代码开发人员之间缺乏协调，缺乏使代码可移植和/或可重用的标准，缺乏文档等。
2021-08-25 physics.acc-ph
First Steps Toward Incorporating Image Based Diagnostics Into Particle Accelerator Control Systems Using Convolutional Neural Networks
目前，各种基于图像的诊断被用于粒子加速器系统中。通常情况下，这些都是由人类操作员查看，然后对机器进行适当的调整。鉴于最近在使用卷积神经网络（CNN）进行图像处理方面的进展，应该可以在控制例程（基于NN或其他）中直接使用图像诊断。这对于可以在射束操作期间连续运行的非拦截诊断特别有吸引力。在这里，我们展示了实现这样的控制器的第一步的结果：我们训练的CNN可以预测多个模拟下游光束参数在费米实验室加速器科学与技术（FAST）设施的低能量光束线使用模拟虚拟阴极激光图像，枪相位和螺线管强度。
2016-12-16 physics.acc-ph
Phase Space Reconstruction from Accelerator Beam Measurements Using Neural Networks and Differentiable Simulations
本文提出一种结合神经网络与可微粒子追踪的通用算法，无需专用诊断即可高效重建高维束流相空间分布，并在模拟与实验中验证了4D重建精度，为未来6D重建奠定基础。
2023-01-26 physics.acc-ph
RBF neural net based classifier for the AIRIX accelerator fault diagnosis
AIRIX设施是一个高电流直线加速器（2-3.5kA），用于法国Moronvilliers的CEA的闪光X射线照相术。本研究的总体背景是AIRIX的诊断和预测性维护。我们将提出一种基于人工神经网络模式识别的故障诊断和监测工具。从每个镜头上记录的信号中提取的参数用于定义要分类的向量。主成分分析使我们能够选择最相关的信息，减少冗余。采用三层径向基函数（RBF）神经网络对加速器的状态进行分类。我们初始化的网络应用无监督模糊技术的训练基地。这使我们能够确定聚类和真实类的数量，它们定义了网络隐藏层和输出层上的细胞数量。隐层和输出层之间的权重由最小二乘法确定，实现了聚类的非凸联合。成员资格和模糊性拒绝使网络能够学习未知的故障，并监视加速器操作以预测未来的故障。我们将介绍在喷射器上获得的第一批结果。
2000-08-10 physics.acc-ph
Next Generation Computational Tools for the Modeling and Design of Particle Accelerators at Exascale
粒子加速器是最大、最复杂的装置之一。为了满足不断增加的能量、强度、精度、紧凑性、复杂性和效率的挑战，需要越来越复杂的计算工具来进行设计和优化。当代软件利用计算机硬件和科学软件工程实践的最新进展，为上述挑战提供速度，可重复性和功能可组合性是关键。LBNL和合作者正在Beam pLasma加速器仿真工具包（BLAST）的核心开发一个新的开源软件栈，提供新的粒子细胞建模代码，能够在Exascale超级计算机上利用GPU的功能。结合先进的数值技术，如网格细化和对机器学习的内在支持，这些代码可以为未来的加速器设计和操作提供超快到超精确的建模。
2022-08-09 cs.DC physics.acc-ph
Convergence in nonlinear laser wakefield accelerators modeling in a Lorentz-boosted frame
激光尾流场加速建模使用洛伦兹提升框架技术的粒子在细胞的代码已经证明了数量级的加速。收敛性研究以前进行的情况下，外部注入的线性政权和非线性政权没有注入，所获得的结果表明收敛的百分比水平。本文对2-1/2维组态中的电子自注入模型进行了收敛性研究。据观察，洛伦兹提升框架技术是能够建模复杂的粒子动力学与显着的加速。这一结果对于缩短未来高精度$10\,\mathrm{GeV}$激光尾场加速器级链建模的计算时间是至关重要的。
2018-03-05 physics.acc-ph physics.plasm-ph
Development of a Virtual EM Detector for the Advanced Particle Accelerator Modeling Code WarpX
在物理学研究中，粒子加速器是极有价值的，而且是非常昂贵的技术仪器。粒子加速器的高成本是由于使用射频腔体将粒子加速到高能量所需的巨大长度。激光驱动粒子加速是当前一个很有前途的研究领域，它有可能使粒子加速器的尺寸、成本和能耗降低几个数量级。为了理解和控制粒子在等离子体中的加速，研究人员一直在开发计算模型来模拟加速环境。在这些模型中，计算科学家引入了虚拟诊断，作为实验检测器的数字并行。使用WarpX \cite{Vay:2021}，一个先进的粒子在细胞的代码，模拟激光驱动的粒子加速，我们已经开发了一个虚拟诊断测量电磁辐射。这种辐射可以例如由散射和透射的激光束产生。该\textit{FieldProbe}诊断测量沿指定几何结构（线或平面）的一点或所有点处电场和磁场的单个场分量。此诊断程序使用消息传递接口（MPI）进行GPU加速和并行化，因此可以在NERSC等高性能计算中心上运行。
2022-10-24 physics.acc-ph
Real-time Artificial Intelligence for Accelerator Control: A Study at the Fermilab Booster
我们描述了一种方法，用于精确地调节梯度磁场电源在费米实验室助推器加速器复杂的神经网络训练，通过强化学习。我们展示了初步的结果，通过训练一个代理机器学习模型的真实加速器数据，以模拟助推器的环境，并使用这个代理模型反过来训练神经网络的监管任务。我们还展示了如何部署用于控制目的的神经网络可以编译为在现场可编程门阵列上执行。这种能力对于在诸如加速器设施的复杂环境中的操作稳定性是重要的。
2021-10-20 physics.acc-ph
From Compact Plasma Particle Sources to Advanced Accelerators with Modeling at Exascale
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文探讨了通过exascale计算实现先进加速器建模的方法，介绍了首个在exascale超级计算机上进行激光-等离子体建模的成果，并推动了粒子加速器建模算法的发展。
2023-04-19 cs.SE physics.acc-ph physics.plasm-ph
Modeling betatron radiation using particle-in-cell codes for plasma wakefield accelerator diagnostics
等离子体尾流场加速实验的特点，使用发射的光子从电子感应加速器辐射需要数值模型，在支持仪器的单发，双微分角能谱。相关实验的精确表征需要覆盖从几十keV到10~GeV的宽能量范围，具有$100 \;μ\text{rad}$量级的角分辨率。在本文中，我们提出了一个数值模型的电子感应加速器辐射的等离子体加速束，这是基于积分的Lienard Wiechert（LW）的潜力计算粒子轨迹。粒子的轨迹产生在三种不同的方式：第一，通过粒子跟踪通过理想化的领域在井喷制度的PWFA;第二，通过获得准静态粒子在细胞（PIC）代码QuickPIC的轨迹;和第三，通过获得轨迹从完整的PIC代码OSIRIS。我们用解析表达式和PIC代码EPOCH进行了各种基准测试，该代码使用Monte-Carlo QED辐射模型。最后，我们提出了模拟预期的电子感应加速器辐射的参数，从先进的加速器实验测试II（FACET-II）PWFA和等离子体光阴极实验。
2023-03-07 physics.acc-ph
Modeling of Advanced Accelerator Concepts
计算机建模是先进加速器概念（AAC）研究、设计和运行的基础。本文总结了AAC系统的现状和未来需求，并报告了以下几个关键方面：（i）高性能计算（包括性能、可移植性、可扩展性、高级算法、可扩展的I/O和原位分析），（ii）具有基于标准化输入和输出的集成工作流程以及作为社区开发的集成框架的生态系统的好处，及（iii）可持续性及可靠性（包括代码稳健性及可用性）。
2021-09-14 physics.acc-ph physics.comp-ph physics.plasm-ph
Effects of Hyperbolic Rotation in Minkowski Space on the Modeling of Plasma Accelerators in a Lorentz Boosted Frame
激光驱动等离子体加速器承诺更短的粒子加速器，但他们的发展需要详细的模拟，挑战或超过目前的能力。我们报告的第一个直接模拟的阶段高达1 TeV的模拟使用洛伦兹提升计算帧导致一百万倍的加速，由于帧提升高达伽玛=1300。在闵可夫斯基空间中的双曲旋转的影响所产生的帧上的激光在等离子体中的传播被证明是关键的数值不稳定性，限制了以前的尝试缓解。
2010-11-04 physics.acc-ph physics.comp-ph physics.plasm-ph
Synthesizing Particle-in-Cell Simulations Through Learning and GPU Computing for Hybrid Particle Accelerator Beamlines
本文提出并实现了一种完全GPU加速的数据驱动代理模拟工作流，利用高保真粒子云网格模拟数据和机器学习方法，为混合粒子加速器束线提供快速且无近似的端到端建模能力。
2024-04-30 physics.acc-ph physics.comp-ph
Modeling of three-dimensional betatron oscillation and radiation reaction in plasma accelerators
β振荡是激光或束驱动等离子体尾场加速器中的一种常见现象。在传统的模型中，等离子体尾流对相对论电子提供线性聚焦力，电子在一个横向方向上振荡，电子振荡频率与电子的$1/\sqrtγ$成正比，其中$γ$是电子的洛伦兹因子。用数值方法得到了电子感应加速器时间尺度上的运动的长期方程，并与原始方程进行了比较。除了已经发现的辐射反应引起的纵向和横向阻尼外，我们还根据长期方程给出了纵向相位漂移、电子感应加速器相移和电子感应加速器极化变化等现象。这项工作对未来的等离子体高能加速器和对撞机具有重要的参考价值。
2022-11-01 physics.acc-ph physics.plasm-ph
Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators
Oak Ridge National Laboratory（橡树岭国家实验室）；University of Houston（休斯顿大学）
针对粒子加速器系统配置变化导致的数据变异性挑战，采用条件孪生神经网络（CSNN）和条件变分自编码器（CVAE）预测异常束流脉冲，实验证明CSNN性能优于CVAE。
2024-02-19 cs.LG physics.acc-ph
Physics-Based Deep Neural Networks for Beam Dynamics in Charged Particle Accelerators
本文提出了一种新的方法来构建神经网络模型带电粒子束动力学。在我们的方法中，泰勒映射产生的动态表示映射到一个多项式神经网络的权重。由此产生的网络在训练之前以完美的精度近似动态系统，并提供了根据额外的实验数据调整网络权重的可能性。我们提出了一种辛正则化方法，这样的多项式神经网络，总是限制训练模型的哈密顿系统，并显着改善了训练过程。所提出的网络可用于束流动力学模拟或微调的光束光学模型与实验数据。该网络的结构允许对具有大量磁体的大型加速器进行建模。我们展示了我们的方法的例子，现有的PETRA III和计划的PETRA IV存储环在DESY。
2020-07-07 cs.NE physics.acc-ph physics.comp-ph
Neural Network Solver for Coherent Synchrotron Radiation Wakefield Calculations in Accelerator-based Charged Particle Beams
SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
粒子加速器支持广泛的科学、工业和医疗应用。为了满足这些应用的需要，加速器物理学家在很大程度上依赖于通过加速器的复杂粒子束动力学的详细模拟。其中一个最昂贵的计算和难以建模的影响是相干同步辐射（CSR）的影响。当射束行进通过弯曲的轨迹（例如，由于弯曲磁体）时，它发射辐射，该辐射又与射束的其余部分相互作用。在轨迹的每一步，CSR引入的电磁场（称为CSR尾场）需要计算和计算时使用的更新的每个粒子在束中的位置和动量。CSR是束流发射度增长的主要驱动力之一，束流发射度是在许多应用中至关重要的束流质量的关键度量。CSR尾场是非常计算密集的计算与传统的电磁求解器，这是一个主要的限制，在准确地模拟加速器。在这里，我们展示了一种新的方法，CSR尾场计算使用神经网络求解器结构的方式，很容易推广到新的设置。我们通过将其添加到标准波束跟踪测试问题来验证其性能，并显示出十倍的加速比和高精度。
2022-03-14 cs.LG physics.acc-ph physics.comp-ph
Modeling laser wakefield accelerators in a Lorentz boosted frame
在最佳参考系\cite{VayPRL07}中模拟激光等离子体尾场加速器，从第一原理计算的速度可提高几个数量级。获得这些加速需要缓解高频不稳定性，否则除了用于在相对论提升的参考系中处理数据输入和输出的解决方案之外，还限制了有效性。所观察到的高频不稳定性，减轻使用的方法，包括电磁求解器与可调系数，其扩展，以适应完美匹配层和弗里德曼的阻尼算法，以及一个有效的大带宽数字滤波器。它示出，选择的框架作为参考框架的尾流允许更高水平的过滤和阻尼比可能在其他框架相同的精度。详细的测试还意外地发现了一个奇异的时间步长的存在，在该时间步长处，不稳定性水平被最小化，独立于数值色散，从而表明所观察到的不稳定性可能主要不是由于数值切伦科夫已经证实。尽管如此，为切伦科夫缓解开发的技术证明在控制不稳定性方面非常有效。使用这些技术，协议的百分比水平之间的模拟使用不同的参考系，加速达到两个数量级的0.1 GeV级阶段。然后，该方法允许直接和有效的全尺寸建模的深度耗尽激光等离子体阶段的10 GeV-1 TeV的第一次，验证等离子体加速器的缩放到非常高的能量。对于10 GeV、100 GeV和1 TeV级的级，分别实现了4、5和6个数量级的加速比。
2010-09-15 physics.acc-ph physics.comp-ph physics.plasm-ph
