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:
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.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Mahindra Rau... at arxiv.org 03-22-2024
https://arxiv.org/pdf/2403.13858.pdfDeeper Inquiries