Concepts de base
Ein zweistufiges tiefes Lernmodell, das eine bedingte variationelle Autoencoder-Architektur (CVAE) zur Darstellung der räumlichen Korrelationen in einem niedrigdimensionalen Latenzraum und ein rekurrentes neuronales Netzwerk (LSTM) zur Erfassung der zeitlichen Dynamik in diesem Latenzraum kombiniert, um die Erzeugung und Vorhersage der Strahlendynamik in Teilchenbeschleunigern zu ermöglichen.
Résumé
Die Studie präsentiert einen neuartigen tiefen Lernansatz namens Conditional Latent Autoregressive Recurrent Model (CLARM) zur Modellierung der vollständigen raumzeitlichen dynamischen Entwicklung eines geladenen Teilchenstrahls durch verschiedene Abschnitte eines Linearbeschleunigers.
Der Ansatz besteht aus zwei Schritten:
- Verwendung eines bedingten variationellen Autoencoders (CVAE), um eine niedrigdimensionale Latenzraumverteilung (8D) der hochdimensionalen (15 Bilder mit je 256x256 Pixeln) Phasenraumverteilung der geladenen Teilchen zu erlernen.
- Einsatz eines Long Short-Term Memory (LSTM)-Netzwerks, um die zeitliche Dynamik innerhalb des Latenzraums zu lernen.
Die Integration dieser beiden neuronalen Netzwerkstrukturen in einen einheitlichen Rahmen mit autoregressivem Ansatz ermöglicht es CLARM, sowohl räumliches Verhalten mit CVAE als auch zeitliche Dynamik mit LSTM effektiv zu lernen. Dies verleiht dem Modell zwei vielversprechende Fähigkeiten: die Erzeugung realistischer Projektionen über verschiedene Module hinweg und die Vorhersage des Phasenraums in weiteren Modulen.
Die probabilistische Natur des Modells bietet zusätzlich den Vorteil, Unsicherheitsanalysen zu ermöglichen.
Stats
Die Simulationen mit HPSim ergeben 1500 Datensätze, von denen 1400 für Training und Validierung und 100 für Tests verwendet werden. Jeder Datensatz enthält 48 Objekte der Größe 15x256x256, die alle 15 Phasenraumprojektionen in jedem der 48 Module darstellen.
Citations
Keine relevanten Zitate identifiziert.