ترجمه فارسی مقاله وارونگی زمانی دینامیک پرتو مکانی-زمانی با استفاده از وارونگی تکامل نهفته آگاه از عدم قطعیت

چکیده

Charged particle dynamics under the influence of electromagnetic fields is a challenging spatiotemporal problem. Many high performance physics-based simulators for predicting behavior in a charged particle beam are computationally expensive, limiting their utility for solving inverse problems online. The problem of estimating upstream six-dimensional phase space given downstream measurements of charged particles in an accelerator is an inverse problem of growing importance. This paper introduces a reverse Latent Evolution Model (rLEM) designed for temporal inversion of forward beam dynamics. In this two-step self-supervised deep learning framework, we utilize a Conditional Variational Autoencoder (CVAE) to project 6D phase space projections of a charged particle beam into a lower-dimensional latent distribution. Subsequently, we autoregressively learn the inverse temporal dynamics in the latent space using a Long Short-Term Memory (LSTM) network. The coupled CVAE-LSTM framework can predict 6D phase space projections across all upstream accelerating sections based on single or multiple downstream phase space measurements as inputs. The proposed model also captures the aleatoric uncertainty of the high-dimensional input data within the latent space. This uncertainty, which reflects potential uncertain measurements at a given module, is propagated through the LSTM to estimate uncertainty bounds for all upstream predictions, demonstrating the robustness of the LSTM against in-distribution variations in the input data.

چکیده به فارسی (ترجمه ماشینی)

دینامیک ذرات شارژ تحت تأثیر زمینه های الکترومغناطیسی یک مشکل مکانی مکانی چالش برانگیز است.بسیاری از شبیه سازهای مبتنی بر فیزیک با کارایی بالا برای پیش بینی رفتار در یک پرتو ذرات شارژ ، از نظر محاسباتی گران هستند و ابزار آنها را برای حل مشکلات معکوس به صورت آنلاین محدود می کنند.مشکل تخمین فضای فاز شش بعدی بالادست که اندازه گیری های پایین دست ذرات بارگذاری شده در یک شتاب دهنده وجود دارد ، یک مشکل معکوس برای رشد اهمیت است.در این مقاله یک مدل تکامل نهفته معکوس (RLEM) که برای وارونگی زمانی دینامیک پرتو رو به جلو طراحی شده است.در این چارچوب یادگیری عمیق دو مرحله ای ، ما از یک Autoencoder متغیر مشروط (CVAE) برای طرح ریزی های فاز فاز 6D از یک پرتوی ذرات بارگذاری شده به یک توزیع نهفته با ابعاد پایین استفاده می کنیم.پس از آن ، ما به طور خودکار پویایی موقتی معکوس را در فضای نهفته با استفاده از یک شبکه حافظه کوتاه مدت (LSTM) یاد می گیریم.چارچوب CVAE-LSTM همراه می تواند پیش بینی های فاز فاز 6D را در تمام بخش های شتاب دهنده بالادست بر اساس اندازه گیری فاز فاز یک یا چند یا چندگانه به عنوان ورودی پیش بینی کند.مدل پیشنهادی همچنین عدم اطمینان از داده های ورودی با ابعاد بالا در فضای نهفته را ضبط می کند.این عدم اطمینان ، که نشان دهنده اندازه گیری های نامشخص بالقوه در یک ماژول معین است ، از طریق LSTM برای برآورد مرزهای عدم اطمینان برای همه پیش بینی های بالادست ، نشان می دهد که نشان دهنده استحکام LSTM در برابر تغییرات درون توزیع در داده های ورودی است.