基于机器学习技术的时间漂移感知射频优化
摘要：Fermilab Linac提供400 MeV H-束流给加速器链的其余部分。提供稳定的强度、能量和发散度非常重要，因为它直接影响下游设备。为了运行高电流束流，加速器必须将无控粒子损失最小化；通过最小化射频参数优化束流纵向发散度可以实现这一目标。然而，由于环境温度和湿度变化导致加速腔谐振频率随时间漂移，因此每天需要进行射频调谐。此外，从离子源出射的粒子的能量和相空间分布会发生波动。这种漂移不仅发生在Fermilab，而且影响大多数实验室。我们正在探索用于自动射频调谐的机器学习算法，目标是优化Linac的输出能量和相位振荡校正，并侧重于考虑随时间变化的条件的时间漂移知觉建模。
作者：R. Sharankova (1), M. Mwaniki (1), K. Seiya (1), M. Wesley (1) ((1) Fermilab)
论文ID：2307.04544
分类：Accelerator Physics
分类简称：physics.acc-ph
提交时间：2023-07-11