Tuning Particle Accelerators with Safety Constraints using Bayesian Optimization
ETH Zurich（苏黎世联邦理工学院）；Paul Scherrer Institut（保罗·谢尔研究所）
调整粒子加速器的机器参数是一项重复且耗时的任务，具有自动化的挑战性。虽然许多现成的优化算法是可用的，但在实践中，它们的使用是有限的，因为大多数方法在每次迭代中不考虑安全关键约束，例如损失信号或步长限制。一个值得注意的例外是安全贝叶斯优化，这是一种数据驱动的调整方法，用于带噪声反馈的全局优化。我们提出并评估了一个步长有限的变量的安全贝叶斯优化的两个研究设施的保罗谢勒研究所（PSI）：a）瑞士自由电子激光（SwissFEL）和b）的高强度质子加速器（HIPA）。我们报告有前途的实验结果，在这两台机器上，调整到16个参数受到224个约束。
2022-06-30 cs.LG physics.acc-ph
Multi-Objective Bayesian Optimization for Accelerator Tuning
粒子加速器在运行过程中需要不断调整，以满足各种物理、化学和生物实验中使用的束流质量、总电荷和粒子能量要求。最大化加速器设施的性能通常需要多目标优化，其中操作员必须同时平衡多个目标之间的权衡，通常使用有限的、时间上昂贵的束流观测。通常情况下，加速器优化问题离线解决，实际操作之前，先进的束线模拟和并行优化方法（NSGA-II，群优化）。不幸的是，使用这些方法进行在线多目标优化是不可行的，因为束流测量只能以串行方式进行，并且这些优化方法需要大量的测量来收敛到有用的解。该算法以序列化的方式有效地找到加速器优化问题的完整Pareto前沿，因此是实现实际在线多目标的关键一步。加速器中的目标优化。该方法使用一组高斯过程代理模型，以及多目标获取函数，这减少了至少一个数量级收敛所需的观测数量比目前的方法。我们演示了如何修改这种方法，以专门解决优化所带来的挑战，这包括添加优化约束、目标偏好和与改变加速器参数相关的成本。
2021-04-21 physics.acc-ph physics.comp-ph
Operational Accelerator Tuning via Model-Coupled Optics and Bayesian Steering
TRIUMF（特利昂实验室）；Department of Physics and Astronomy, University of Victoria（维多利亚大学物理与天文学系）
本文提出了一种基于模型耦合光学与贝叶斯引导的在线调谐策略，通过解耦光学与引导提升加速器调谐的效率与可靠性。
2026-02-23 physics.acc-ph physics.app-ph
Bayesian optimization of laser-plasma accelerators assisted by reduced physical models
针对激光等离子体加速器高保真模拟计算成本过高的问题，提出利用简化物理模型辅助的多任务贝叶斯优化算法，在FBPIC与Wake-T结合的实验中实现数量级加速，为大规模参数优化开辟了低成本路径。
2022-12-23 physics.acc-ph physics.plasm-ph
Automation and control of laser wakefield accelerators using Bayesian optimisation
激光韦克菲尔德加速器有望彻底改变加速器科学的许多领域。然而，其广泛采用的最大挑战之一是由于输入参数和加速结构的动态演变之间的耦合而难以控制和优化加速器输出。在这里，我们使用机器学习技术来自动化100 MeV规模的加速器，该加速器通过同时改变多达6个参数来优化其输出，包括激光的光谱和空间相位以及等离子体密度和长度。最值得注意的是，该算法建立的模型能够优化激光演化，否则可能会在单变量扫描中错过。激光脉冲形状的细微调整导致电子束电荷增加80%，尽管脉冲长度仅改变1%。
2020-11-26 physics.acc-ph physics.plasm-ph
Fast, efficient and flexible particle accelerator optimisation using densely connected and invertible neural networks
粒子加速器是在各个学科中进行科学探索和发现的工具。然而，由于涉及大量参数和潜在的非线性动态特性，为这些复杂机器找到优化的操作点是一项具有挑战性的任务。在这里，我们介绍了两类数据驱动的代理模型，它们基于深度和可逆的神经网络，可以取代昂贵的物理计算机模型。这些模型采用多目标优化，找到帕累托最优操作点两个根本不同类型的粒子加速器。我们的方法将多目标加速器优化的解决方案的时间减少到640倍，计算成本高达98%。该框架为今后粒子加速器的在线实时多目标优化奠定了基础。
2021-06-30 physics.acc-ph
Uncertainty Aware ML-based surrogate models for particle accelerators: A Study at the Fermilab Booster Accelerator Complex
针对标准深度学习方法在内存、推理成本及分布外不确定性捕获上的局限，本文提出一种包含分布外贡献的校准不确定性预测新方法，并在费米实验室助推器加速器上验证其有效性。
2022-12-11 physics.acc-ph
Model-free and Bayesian Ensembling Model-based Deep Reinforcement Learning for Particle Accelerator Control Demonstrated on the FERMI FEL
Paris Lodron University（巴黎洛德伦大学）；CERN（欧洲核子研究组织）
强化学习在加速器控制方面有着巨大的前景。本文的主要目标是展示如何利用这种方法在操作层面上的加速器物理问题。尽管无模型强化学习在多个领域取得了成功，但样本效率仍然是一个瓶颈，这可能会被基于模型的方法所涵盖。我们比较适合纯粹的基于模型的无模型强化学习应用于FERMI自由电子激光系统的强度优化。我们发现，基于模型的方法表现出更高的代表性的权力和样本效率，而无模型的方法的渐近性能略优。基于模型的算法使用不确定性感知模型以DYNA风格实现，而无模型算法基于定制的深度Q学习。在这两种情况下，算法的实现方式，这提出了增加的噪声鲁棒性，无处不在的加速器控制问题。代码发布在https://github.com/MathPhysSim/FERMI_RL_Paper。
2022-01-26 cs.AI cs.LG cs.SY
Differentiable Preisach Modeling for Characterization and Optimization of Accelerator Systems with Hysteresis
粒子加速器性能的未来改进取决于加速器越来越精确的在线建模。在用于通知控制算法的在线加速器模型中，加速器的磁性，机械和材料组件中的滞后效应通常被忽略，即使在高精度加速器中，来自表现出滞后的系统的再现性误差也不可忽略。在这项工作中，我们结合了经典的Preisach滞后模型与机器学习技术，有效地创建非参数，高保真模型的任意系统表现出滞后。我们证明，我们的技术准确地预测物理加速器磁铁的磁滞效应。我们还通过实验演示了如何使用这些方法可以在原位，其中的磁滞模型与贝叶斯统计模型相结合的光束响应，允许表征的磁滞在加速器磁铁完全从测量的光束。此外，我们探讨如何使用这些联合的悬臂梁模型，使我们能够克服优化性能的限制时，滞后效应被忽略。
2022-02-15 physics.acc-ph
Reconstruction of Storage Ring 's Linear Optics with Bayesian Inference
提出了一种利用含有测量误差的TbT数据精确重建储存环线性光学系统的新方法。该方法采用了基于马尔可夫链蒙特卡罗（MCMC）算法的贝叶斯推断，该算法广泛用于数据驱动的发现。通过假设一个预先设定的未知参数的加速器模型，推理过程产生他们的后验分布。这种方法是证明通过推断的线性光学Twiss参数和测量不确定性，使用一组数据测量的国家同步辐射光源-II（NSLS-II）储存环。一些关键的影响，如辐射阻尼率，退相干由于非线性和色度也可以包括在模型和推断。在现有的方法中，这些影响通常被忽略。基于MCMC的贝叶斯推断的一个优点是它不需要大的数据池，因此在可能发生显著的机器漂移之前，可以从单个数据快照中的有限数量的圈完成完整的光学重构。加速器模型中不确定性参数的精确重构是利用不确定性改善机器性能的重要先验信息。
2019-06-27 physics.acc-ph
Demonstration of Autonomous Emittance Characterization at the Argonne Wakefield Accelerator
本文针对高亮度加速器中束流发射度自动化表征的难题，提出在Argonne Wakefield Accelerator上应用Bayesian Exploration技术，实现了一种仅需有限操作员输入即可快速自主测量束流发射度的即插即用四极透镜扫描工具。
2023-07-27 physics.acc-ph
Potential and Issues for Future Accelerators and Ultimate Colliders
粒子对撞机是粒子和核物理学中非常成功的工具。目前存在的加速器的未来趋势和局限性是什么，是否有可能的替代方法？终极对撞机会是什么样子？本演讲探讨了一些挑战和可能的解决方案。加速单个粒子而不是热分布可以允许在没有背景的情况下探索更受控的相互作用。此外，在可预见的未来，成本驱动因素可能是大型加速器最重要的限制因素，因此强调了降低成本的新兴技术。
2018-11-29 hep-ex physics.acc-ph
Local field reconstruction from rotating coil measurements in particle accelerator magnets
本文提出了一种利用分布磁场测量数据重建粒子加速器磁体三维场解的一般方法。为了利用测量操作的局部性，使用拉普拉斯方程的特殊离散化。提取场表示的系数产生一个逆问题，该问题通过贝叶斯反演来解决。这不仅可以为不确定性量化铺平道路，而且可以导出合适的正则化。该方法适用于旋转线圈的测量，并可以扩展到任何其他测量程序。
2021-06-29 physics.acc-ph stat.AP
Multi-objective and multi-fidelity Bayesian optimization of laser-plasma acceleration
Ludwig-Maximilian-Universität München（慕尼黑大学）；Max Planck Institut für Quantenoptik（马克斯·普朗克量子光学研究所）
加速器中的束流参数优化涉及多个，有时是相互竞争的目标。将这些单独的目标浓缩成一个单一的品质因数，必然会导致在缺乏先验知识的情况下，往往以一种不可取的方式偏向于特定的结果。找到最优的目标定义需要操作员重新考虑许多可能的目标权重和定义，这个过程可能比优化本身花费的时间长很多倍。一种更通用的方法是多目标优化，它建立了目标之间的权衡曲线或帕累托前沿。在这里，我们提出了第一个结果的多目标贝叶斯优化的模拟激光等离子体加速器。我们发现，多目标优化达到可比的性能，其单目标的同行，同时允许即时评估全新的目标。这大大减少了为新问题找到适当的客观定义所需的时间。此外，我们的多目标，多保真度的方法减少了一个数量级的优化运行所需的时间。它通过动态选择模拟分辨率和盒子大小来实现这一点，当它从快速低分辨率运行中了解帕累托最优解决方案时，需要更少的缓慢和昂贵的模拟。本文中演示的技术可以很容易地转换为加速器优化之外的许多不同的计算和实验用例。
2022-12-23 cs.LG physics.acc-ph physics.plasm-ph
Prior-mean-assisted Bayesian optimization application on FRIB Front-End tunning
Facility for Rare Isotope Beams（稀有同位素束流装置）
由于贝叶斯优化算法具有较高的采样效率，常用于加速器的调谐。然而，在大数据集上训练的计算可扩展性可能是有问题的，并且以计算高效的方式采用历史数据并不是微不足道的。在这里，我们利用在历史数据上训练的神经网络模型作为FRIB前端调谐的BO的先验均值。
2022-11-11 cs.LG physics.acc-ph
Surrogate Models studies for laser-plasma accelerator electron source design through numerical optimisation
Laboratoire de Physique des 2 Infinis Irène Joliot-Curie - IJCLab - UMR9012（无穷二物理实验室）；École Polytechnique（巴黎综合理工学院）；Université Paris-Saclay（巴黎萨克雷大学）
本研究利用机器学习构建代理模型，基于3000多次PIC模拟，快速预测激光等离子体注入器束流参数，实现高效优化设计。
2025-10-14 physics.acc-ph physics.data-an physics.plasm-ph
