@ARTICLE{10.3389/fphy.2022.960963, AUTHOR={Krymova, Ekaterina and Obozinski, Guillaume and Schenk, Michael and Coyle, Loic and Pieloni, Tatiana}， TITLE={LHC中束流损失的数据驱动建模}，JOURNAL={物理学前沿}，VOLUME={10}， YEAR={2023雷竞技rebat}， URL={//www.thespel.com/articles/10.3389/fphy.2022.960963}， DOI={10.3389/fphy.2022.960963}， ISSN={2296-424X}， ABSTRACT={在大型强子对撞机中，束流损失连续测量用于机器保护。通过设计，大部分的粒子损失发生在准直系统中，其中具有高振荡振幅或大动量误差的粒子从光束中被刮走。颗粒损失水平通常是通过改变控制参数来手动优化的，其中包括聚焦和散焦磁铁中的电流。由于系统中存在各种(非线性)效应，如电子云、共振效应等，以及多种不确定性来源，仅基于控制参数建模和预测损失通常具有挑战性。同时，了解控制参数对损耗的影响对于改进加速器的运行和性能以及未来的设计都是极其重要的。之前的工作 [1]表明将损失建模为控制参数的瞬时函数并不能很好地推广到不同年份的数据，这表明杠杆统计关联没有捕捉到从一年到下一年应该不变的实际机制。考虑到这很可能是由于滞后效应，我们建议将损失建模为一个函数，不仅是瞬时的，而且是先前观察到的控制参数以及先前的损失值。使用标准的重新参数化，我们将模型重新表述为卡尔曼滤波器(KF)，这允许灵活和有效的估计过程。我们考虑了两种主要的变体:一种是标量损失输出，另一种是4D输出，损失、水平和垂直发射量以及聚合热负荷作为组件。这两个模型一旦学会，就可以在未来运行许多步骤，第二个模型可以预测与预测损失本身相关的数量的演变。我们的结果表明，在2017年波束损耗数据上训练的拟议模型能够预测2018年数据在几分钟内的损耗，并成功识别出局部和全球的损耗趋势。}}