机器学习在大型粒子加速器中的应用回顾与展望

作者:万金宇; 孙正; 张相; 白宇; 蔡承颖; 储中明; 黄森林; 焦毅; 冷用斌; 李标斌; 李京祎; 李楠; 卢晓含; 孟才; 彭月梅; 王生; 张成艺
来源:强激光与粒子束, 2021, 33(09): 96-110.

摘要

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。