DESY in Hamburg zählt zu den weltweit führenden Beschleunigerzentren. Mit den DESY-Großgeräten erkunden Forscherinnen und Forscher den Mikrokosmos in seiner ganzen Vielfalt. Die Beschleuniger, die DESY entwickelt, baut und betreibt, sind einzigartige hochkomplexe Werkzeuge für die Forschung, deren Anforderungen an Verfügbarkeit, Zuverlässigkeit, Flexibilität der Betriebsarten immer weiter steigen. Diese Anforderungen an den Betrieb können nur durch neue Ansätze in Optimierung und Reglung, wie das maschinelle Lernen sie bietet, erreicht werden. In dieser Session werden drei verschiedene Ansätze zur Nutzung von maschinellem Lernen für den Betrieb von Teilchenbeschleunigern vorgestellt und Optimierung, Modellierung als auch Fehlerdetektion diskutiert. Hierbei wird die ganze Bandbreite der Beschleuigertypen, wie sie am DESY betrieben wird, abgedeckt, von Synchrotrons, über lineare Freie-Elektronen-Laser bis hin zu Laser-Plasma Beschleunigern.
Laser-plasma acceleration (LPA) promises very compact sources of high-energy electron beams for science and industry. However, transforming LPA into a technology to drive real-world applications remains a challenge. Machine learning techniques could prove decisive in further understanding and improving the performance of these machines. In this talk we discuss the application of such techniques at the laser-plasma accelerator LUX at DESY.
The most brilliant x-ray light sources such as the existing
PETRA III or the planned PETRA IV at DESY have electron
storage rings at their core.
Cutting-edge parameters of new facilities come at the cost
of increased sensitivity: electron optics is pushed to the
limit while the electron beam is still sufficiently stable.
While the physics behind electron storage rings has been
firmly established, searching for best possible
configuration is an arduous process requiring large
computing power. In operation, system complexity often
obscures best control strategies.
In this talk I will explore the potential of ArtificialI
intelligence to assist in this process and review recent
research on AI for understanding physics processes relevant
for beam dynamics, AI-assisted optimisation methods and
software systems for AI-based control.
Für einen reibungslosen Betrieb des European XFEL müssen alle beteiligten Teilsysteme perfekt funktionieren, damit es nur zu minimalen Ausfallzeiten aufgrund von verschiedenen Störungen kommt. Viele dieser Ausfälle können durch anomale Muster in den Daten angezeigt werden. Die Erkennung dieser Anomalien wird angesichts des enormen Datendurchsatzes, den wir aufzeichnen, besonders problematisch. In dieser Sitzung zeigen wir, wie die handelsüblichen trainierbaren unüberwachten und überwachten Modelle für die Erkennung von Anomalien an Hochfrequenzkavitäten und Strahlpositionen, die direkt auf die Beschleunigersteuerung angewendet werden können, zahlreiche Schwierigkeiten identifizieren, auf die wir beim European XFEL stoßen.