Data-Science-Absolvent hilft bei der Optimierung der CERN-Teilchenbeschleuniger

Im Zuge der aktuellen Experimente am CERN werden Teilchenströme in zwei Tranchen in den Super Proton Synchrotron (SPS), einen Vorbeschleuniger des Large Hadron Collider (LHC), mit Hilfe von Magnetfeldern eingespeist. Aufgrund des geringen zeitlichen Abstandes der Tranchen ist dieser Prozess zeitkritisch und bedarf einer präzisen Steuerung der Kicker-Magneten, um eine stabile Trajektorie im SPS zu gewährleisten. Diese Konfiguration erfolgt derzeit mit aufwändigen Verfahren der numerischen Optimierung.

Matthias Remta, Absolvent des Master-Studiengangs Data Science an der FH Technikum Wien, untersuchte in seiner Masterarbeit „Batch Spacing Optimization via Reinforcement Learning“ eine alternative Möglichkeit der Parameteroptimierung mit Hilfe von Methoden des maschinellen Lernens, unter anderem des Einsatzes tiefer künstlicher neuronaler Netze und des „verstärkenden Lernens“, bei dem ein künstlicher Agent die optimale Strategie zur Ansteuerung der Magneten auf Basis eines Belohnungsschemas erlernt.

Arbeit zeigt Potential des Machine Learning-Ansatzes für praktischen Einsatz am CERN

Im Ergebnis erreichte der Machine Learning-Ansatz eine fast so gute Leistung wie die numerische Optimierung, jedoch in deutlich geringerer Zeit. Während noch mehrere Forschungsfragen offen sind, zeigt die Arbeit deutlich das Potential des Machine Learning-Ansatzes für den praktischen Einsatz am CERN auf. Remta ist aktuell als Doktorand am CERN tätig.

Weiterführende Links:

Master-Studiengang – Data Science – FH Technikum Wien

CERN-Besuch mit Gewinner*in unserer Videoaktion

Datenanalyse für den Teilchenbeschleuniger