机器学习在大型粒子加速器中的应用回顾与展望

机器学习技术在近十几年发展迅猛,并被广泛地用于解决复杂的科学和工程问题。最近十年间,基于机器学习的粒子加速器相关研究也开始呈现出井喷式发展趋势。国际上许多加速器实验室开始尝试用机器学习和大数据技术处理加速器中的海量复杂数据,以期解决加速器及其子系统中的诸多物理和技术问题。不过,迄今为止,机器学习在加速器中的应用仍处于初步探索阶段,不同机器学习算法在解决具体加速器问题的效果及其适用范围尚待摸索,机器学习在实际加速器中的应用仍非常有限。因此,有必要对加速器领域中的机器学习研究做一个整体回顾和总结。将回顾机器学习在大型粒子加速器（以储存环加速器和直线加速器为主）中的加速器技术、束流物理以及加速器整体性能优化等研究方向中已取得的研究成果,并探讨机器学习在加速器领域的未来发展方向和应用前景。     

基于机器学习的轨道校正方法

轨道校正是加速器束流调节最基本的步骤之一,也是目前各加速器实验室共同面对的问题之一。在传统方法中,线性代数工具被应用于各种类型的响应矩阵,以解决响应矩阵的奇异性等问题。提出一种基于机器学习的加速器轨道校正方法,可以避免处理响应矩阵的问题通过直接读取BPM数据和校正磁铁强度值实时构建机器学习模型快速地对轨道进行修正。对机器学习的轨道校正方法进行了介绍,并从数学公式、算法模型、在模拟和真实数据上的测试等方面对该方法进行了讨论。结果表明,在误差范围内该方法能有效的对加速器束流轨道进行校正。     

高能同步辐射光源磁铁数据库系统的设计

高能同步辐射光源(HEPS) 磁铁数据库系统的开发过程包括数据库设计、数据库创建以及用于存储查询的网页管理系统的整体结构设计和开发。根据对磁铁相关数据格式和功能需求的调研, 整个系统采用MySQL数据库, 将HEPS的磁铁相关数据规范统一地存储, 包括磁铁设计参数、磁铁设备信息和磁铁测量数据等。同时, 开发了一套基于web的数据录入、查询管理系统, 能够提供便捷的数据展示、数据获取等功能, 并可以连接HEPS命名数据库、参数数据库等, 对于磁铁设备的安装、运行和维护以及HEPS整体的设备信息管理具有重要的意义。