ترجمه فارسی مقاله فرمان Beamline با استفاده از مدل های یادگیری عمیق

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Beamline Steering Using Deep Learning Models
عنوان مقاله به فارسی فرمان Beamline با استفاده از مدل های یادگیری عمیق
نویسندگان Dexter Allen, Isaac Kante, Dorian Bohler
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Accelerator Physics,Machine Learning,فیزیک شتاب دهنده , یادگیری ماشین ,
توضیحات Submitted 24 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Beam steering involves the calibration of the angle and position at which a particle accelerator's electron beam is incident upon the x-ray target with respect to the rotation axis of the collimator. Beam Steering is an essential task for light sources. The Linac To Undulator is very difficult to steer and aim due to the changes of each use of the accelerator there must be re-calibration of magnets. However with each use of the Beamline its current method of steering runs into issues when faced with calibrating angles and positions. Human operators spend a substantial amount of time and resources on the task. We developed multiple different feed-forward-neural networks with varying hyper-parameters, inputs, and outputs, seeking to compare their performance. Specifically, our smaller models with 33 inputs and 13 outputs outperformed the larger models with 73 inputs and 50 outputs. We propose the following explanations for this lack of performance in larger models. First, a lack of training time and computational power limited the ability of our models to mature. Given more time, our models would outperform SVD. Second, when the input size of the model increases the noise increases as well. In this case more inputs corresponded to a greater length upon the LINAC accelerator. Less specific and larger models that seek to make more predictions will inherently perform worse than SVD.

چکیده به فارسی (ترجمه ماشینی)

فرمان پرتو شامل کالیبراسیون زاویه و موقعیتی است که در آن پرتو الکترونی شتاب دهنده ذرات با توجه به محور چرخش کولیماتور بر روی هدف اشعه ایکس حادثه می شود.فرمان پرتو یک کار اساسی برای منابع نور است.به دلیل تغییر هر استفاده از شتاب دهنده ، مجدداً مجدداً کالیبراسیون آهن ربا وجود دارد.با این حال ، با استفاده از خط پرتو ، روش فعلی فرمان در هنگام مواجهه با زاویه ها و موقعیت های کالیبراسیون ، به موضوعاتی می رسد.اپراتورهای انسانی زمان و منابع قابل توجهی را صرف کار می کنند.ما چندین شبکه مختلف تغذیه ای به جلو با بیش از حد پارامترها ، ورودی ها و خروجی ها مختلف ایجاد کردیم و به دنبال مقایسه عملکرد آنها هستیم.به طور خاص ، مدل های کوچکتر ما با 33 ورودی و 13 خروجی از مدل های بزرگتر با 73 ورودی و 50 خروجی بهتر عمل می کنند.ما توضیحات زیر را برای این عدم عملکرد در مدلهای بزرگتر پیشنهاد می کنیم.اول ، کمبود زمان آموزش و قدرت محاسباتی توانایی مدل های ما را برای بلوغ محدود می کرد.با توجه به زمان بیشتر ، مدل های ما از SVD بهتر عمل می کنند.دوم ، هنگامی که اندازه ورودی مدل نیز افزایش نویز را افزایش می دهد.در این حالت ورودی های بیشتری با طول بیشتر در شتاب دهنده LINAC مطابقت دارند.مدل های کمتری خاص و بزرگتر که به دنبال پیش بینی های بیشتر هستند ، ذاتاً بدتر از SVD عمل می کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.