ترجمه فارسی مقاله حذف دینامیکی داده‌های کم وفاداری در بهینه‌سازی بیزی برای تراز خط پرتو مستقل

چکیده

Aligning beamlines at synchrotron light sources is a high-dimensional, expensive-to-sample optimization problem, as beams are focused using a series of dynamic optical components. Bayesian Optimization is an efficient machine learning approach to finding global optima of beam quality, but the model can easily be impaired by faulty data points caused by the beam going off the edge of the sensor or by background noise. This study, conducted at the National Synchrotron Light Source II (NSLS-II) facility at Brookhaven National Laboratory (BNL), is an investigation of methods to identify untrustworthy readings of beam quality and discourage the optimization model from seeking out points likely to yield low-fidelity beams. The approaches explored include dynamic pruning using loss analysis of size and position models and a lengthscale-based genetic algorithm to determine which points to include in the model for optimal fit. Each method successfully classified high and low fidelity points. This research advances BNL’s mission to tackle our nation’s energy challenges by providing scientists at all beamlines with access to higher quality beams, and faster convergence to these optima for their experiments.

چکیده به فارسی (ترجمه ماشینی)

تراز کردن پرتوهای در منابع نوری Synchrotron یک مشکل بهینه سازی با ابعاد بالا و گران قیمت است ، زیرا پرتوهای با استفاده از یک سری اجزای نوری پویا متمرکز می شوند.بهینه سازی بیزی یک رویکرد یادگیری ماشین کارآمد برای یافتن بهینهای جهانی از کیفیت پرتو است ، اما این مدل به راحتی می تواند در نقاط داده های معیوب ناشی از پرتو از لبه سنسور یا با سر و صدای پس زمینه مختل شود.این مطالعه ، که در مرکز ملی Synchrotron Light Source II (NSLS-II) در آزمایشگاه ملی بروکهاون (BNL) انجام شده است ، بررسی روش هایی برای شناسایی خوانش های غیرقابل اعتماد از کیفیت پرتو و دلسرد کردن مدل بهینه سازی از جستجوی نقاطی که احتمالاً به دست آوردن امتیاز کم استپرتوهای دائمی.رویکردهای مورد بررسی شامل هرس پویا با استفاده از تجزیه و تحلیل از دست دادن مدلهای اندازه و موقعیت و یک الگوریتم ژنتیکی مبتنی بر طول برای تعیین اینکه کدام نقاط در مدل برای تناسب مطلوب وجود دارد.هر روش با موفقیت نقاط وفاداری بالا و پایین را طبقه بندی کرد.این تحقیق باعث می شود مأموریت BNL برای مقابله با چالش های انرژی کشور ما با ارائه دانشمندان در همه پرتوهای دسترسی به پرتوهای با کیفیت بالاتر و همگرایی سریعتر به این موارد برای آزمایشات خود.