.png){kind=icon}
返回
Explainable physics-based constraints on reinforcement learning for accelerator optimization
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae2fa8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种用于优化粒子加速器实验的强化学习（RL）框架，该框架在智能体行为上构建可解释的基于物理学的约束。目标是通过对用户允许验证智能体的决策过程是否融入了适当的物理学，从而提高透明度和信任度。我们的算法使用可学习的代理函数来表示物理观测量（如能量），并利用它们来微调动作的选择方式。该代理函数可以由神经网络或可解释的稀疏字典模型表示。我们在一系列旨在模拟杰斐逊实验室连续电子束加速器设施（Continuous Electron Beam Accelerator Facility at Jefferson Lab）的粒子加速器优化环境中测试了我们的算法。通过考察学习到的约束函数的数学形式，我们能够确认智能体已经学会利用每个环境的既定物理学。此外，我们发现引入基于物理学的代理函数使我们的RL算法能够在困难的、高维度的加速器优化环境中可靠地收敛。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
Simultaneous optimization of the cavity heat load and trip rates in linacs using a genetic algorithm使用遗传算法同时优化直线加速器中的腔体热负载和跳变率
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏Machine-Learning Optimized Measurements of Chaotic Dynamical Systems via the Information Bottleneck通过信息瓶颈进行机器学习优化的混沌动力系统测量OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程OAAI
OAAI分享收藏
查看更多内容