粒子加速器的不确定性感知的基于机器学习的代理模型：费米实验室Booster加速器复合体研究
摘要：标准深度学习方法在数据驱动的深度学习模型中提供了对预测不确定性的估计，如集成模型、贝叶斯神经网络和分位数回归模型。然而，由于它们的内存占用量大、推理成本高，以及无法很好地捕捉到分布之外的不确定性，它们在应用中可能存在限制。此外，其中一些模型需要在训练后进行校准，这限制了它们在连续学习应用中的使用能力。在本文中，我们提出了一种新的方法来提供带有校准不确定性的预测，其中包括分布之外的贡献，并将其与标准方法在费米国家加速器实验室（FNAL）Booster加速器复合体上进行了比较。
作者：Malachi Schram, Kishansingh Rajput, Karthik Somayaji Peng Li, Jason St. John, and Himanshu Sharma
论文ID：2209.07458
分类：Accelerator Physics
分类简称：physics.acc-ph
提交时间：2023-05-03