CN117806170B - 一种微束聚焦控制方法及装置 - Google Patents
一种微束聚焦控制方法及装置 Download PDFInfo
- Publication number
- CN117806170B CN117806170B CN202410200315.4A CN202410200315A CN117806170B CN 117806170 B CN117806170 B CN 117806170B CN 202410200315 A CN202410200315 A CN 202410200315A CN 117806170 B CN117806170 B CN 117806170B
- Authority
- CN
- China
- Prior art keywords
- action
- model
- state information
- simulation
- dqn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004088 simulation Methods 0.000 claims abstract description 144
- 230000033228 biological regulation Effects 0.000 claims abstract description 58
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims description 168
- 238000012549 training Methods 0.000 claims description 78
- 239000002245 particle Substances 0.000 claims description 68
- 230000005284 excitation Effects 0.000 claims description 64
- 238000013041 optical simulation Methods 0.000 claims description 54
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 description 23
- 230000008569 process Effects 0.000 description 8
- 230000006698 induction Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005459 micromachining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Particle Accelerators (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及聚焦控制领域，特别是涉及一种微束聚焦控制方法及装置，通过获取加速器工作状态信息；将所述加速器工作状态信息输入训练后的DQN模型；从所述DQN模型接收目标调控指令；将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流。本发明预先通过被控加速器的仿真模型，大量获得不同工作状态下的电磁电源经过不同的改变指令后得到模拟结果，并通过这些模拟结果训练DQN原始模型，最终得到可以自动调节的励磁电源，使束流按照下达的聚焦目标信息强聚焦,使束斑缩小。该方法不需要技术人员的参与，提高了装置的自动化程度，也即提升了微束聚焦效率，降低了成本。
Description
技术领域
本发明涉及聚焦控制领域，特别是涉及一种微束聚焦控制方法及装置。
背景技术
微束辐照装置是将辐照样品的束斑缩小到微米量级，能够对辐照粒子进行准确定位和精确计数的实验平台，是开展辐照材料学，辐照生物学以及微加工的有力工具。在束线上通常会设置磁场梯度很高的四极透镜（四极磁铁）对束流进行强聚焦，从而形成微米束。这一工作通过调节四极透镜的励磁电源的电流进而改变透镜的磁场强度来实现。目前，调节励磁电源电流的工作由技术人员手动完成，它要求技术人员具备一定的经验和相应的知识背景。这在一定程度上降低了调整效率，也浪费了人力。
因此，如何提升微束聚焦效率，实现自动化，降低人力成本，是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种微束聚焦控制方法及装置，以解决现有技术中微束聚焦效率低，人力成本高的问题。
为解决上述技术问题，本发明提供一种微束聚焦控制方法，包括：
获取加速器工作状态信息；
将所述加速器工作状态信息输入训练后的DQN模型；
从所述DQN模型接收目标调控指令；
将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；
所述DQN模型的训练方法包括：
获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；
将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；
将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。
可选地，在所述的微束聚焦控制方法中，所述被控加速器包括第一励磁电源、第二励磁电源、第一聚焦磁铁、第二聚焦磁铁及第三聚焦磁铁；
所述第一励磁电源连接于所述第一聚焦磁铁及所述第二聚焦磁铁，所述第二励磁电源连接于所述第三聚焦磁铁；
相应地，所述起始状态信息包括与所述第一励磁电源对应的第一起始工作状态信息及与所述第二励磁电源对应的第二起始工作状态信息；所述单次动作指令包括与所述第一励磁电源对应的第一改变指令及与所述第二励磁电源对应的第二改变指令。
可选地，在所述的微束聚焦控制方法中，所述将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果包括：
将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；其中，每进行第二数量的动作-聚焦光学模拟，就将对应得到的第二数量的模拟结果从易失性存储器中导出，作为对应轮次的存储数据。
可选地，在所述的微束聚焦控制方法中，在每一次动作-聚焦光学模拟之后，还包括：
判断所述动作-聚焦光学模拟对应的动作后状态信息是否超出所述励磁电源的控制边界值；
当所述动作后状态信息超出所述励磁电源的控制边界值时，将所述动作-聚焦光学模拟对应的动作指令评价信息设定为负值，并结束当前轮次，从易失性存储器中导出对应的模拟结果，作为对应轮次的存储数据。
可选地，在所述的微束聚焦控制方法中，所述动作-聚焦光学模拟为利用求解微分方程得到的仿真模拟。
可选地，在所述的微束聚焦控制方法中，单次所述动作-聚焦光学模拟包括：
所述智能体根据均匀采样策略，从所述动作信息组中采样，得到单次动作-聚焦光学模拟对应的单次动作指令，并将所述单次动作指令发送至所述仿真模型；
所述仿真模型根据所述单次动作指令进行状态更新，并启动初始状态为高斯分布的大量的预设种类的粒子，以预设的能量和相位分布，从所述仿真模型中的被控加速器的起始端运动到对应的靶台，其中，所述粒子按照聚焦光学和所述被控加速器的物理尺寸的限制进行运动，且超出所述被控加速器的管道尺寸的粒子被随时剔除动作指令评价信息。
可选地，在所述的微束聚焦控制方法中，所述将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，得到所述DQN模型包括：
将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，且将每经过第三数量的次数的训练得到的模型，确定为待选模型；
从多个所述待选模型中，确定所述DQN模型。
可选地，在所述的微束聚焦控制方法中，所述DQN模型为3层神经网络的模型。
可选地，在所述的微束聚焦控制方法中，所述从所述DQN模型接收目标调控指令包括：
从所述DQN模型接收目标磁场调控指令；
根据预存储的磁场-电压对应关系，确定所述目标磁场调控指令对应的目标电压调控指令；
相应地，所述将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流包括：
将所述目标电压调控指令发送至被控加速器，使所述被控加速器根据所述目标电压调控指令调控束流。
一种微束聚焦控制装置，包括：
获取模块，用于获取加速器工作状态信息；
输入模块，用于将所述加速器工作状态信息输入训练后的DQN模型；
接收模块，用于从所述DQN模型接收目标调控指令；
发送模块，用于将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；
所述DQN模型的训练方法包括：
信息获取模块，用于获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；
模拟模块，用于将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；
训练模块，用于将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。
本发明所提供的微束聚焦控制方法，通过获取加速器工作状态信息；将所述加速器工作状态信息输入训练后的DQN模型；从所述DQN模型接收目标调控指令；将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；所述DQN模型的训练方法包括：获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。本发明预先通过被控加速器的仿真模型，大量获得不同工作状态下的电磁电源经过不同的改变指令后，得到的模拟结果，并通过这些模拟结果训练DQN原始模型，最终得到可以自动调节励磁电源，使束流强聚焦、束斑缩小的智能体，该方法不需要技术人员的参与，提高了装置的自动化程度，也即提升了微束聚焦效率，降低了成本。本发明同时还提供了一种具有上述有益效果的微束聚焦控制装置。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的微束聚焦控制方法的一种具体实施方式的工作流程示意图；
图2为本发明提供的微束聚焦控制方法的一种具体实施方式的DQN模型的训练方法的流程示意图；
图3为本发明提供的微束聚焦控制装置的一种具体实施方式的结构示意图。
100-获取模块，200-输入模块，300-接收模块，400-发送模块，500-信息获取模块，600-模拟模块，700-训练模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的核心是提供一种微束聚焦控制方法，其一种具体实施方式的流程示意图如图1至图2所示，其中工作流程示意图如图1所示，称其为具体实施方式一，包括：
S101：获取加速器工作状态信息。
S102：将所述加速器工作状态信息输入训练后的DQN模型。
S103：从所述DQN模型接收目标调控指令。
所述DQN模型指深度强化学习模型（Deep Q Network模型），下文中均简称DQN模型。
S104：将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流。
需要注意的是，上述步骤S101至S104，均为微束聚焦控制方法，到步骤S104，控制结果已经被执行，控制流程结束，下文中的步骤S201至步骤S203为控制流程中用到的DQN模型的训练方法，两个方法的步骤之间并无先后关系。
所述DQN模型的训练方法的流程示意图如图2所示，包括：
S201：获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令。
所述起始状态也即在起始时刻，所述仿真模型中的各个励磁电源对应的工作状态。如存在两个励磁电源，也即第一励磁电源、第二励磁电源，所述起始状态信息可为[50，-5000，6500]，代表粒子的能量是50Mev，所述第一励磁电源的起始状态下的磁感强度为-5000Gs，所述第二励磁电源的起始状态下的磁感强度为6500Gs。
所述单次动作指令包括了对全部的励磁电源的改变指令，设被控加速器中存在两个励磁电源，则单个所述单次动作指令可以为[50，-50]，也即所述第一励磁电源的磁感强度增加50，所述第二励磁电源的磁感强度增加-50。
训练时，所使用的数据为30兆电子伏，35兆电子伏，40兆电子伏，45兆电子伏，50兆电子伏。实际使用时30兆电子伏到50兆电子伏之间的任意能量的束流都能被聚焦。
S202：将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关。
在实际操作时，本发明通过对实际装置进行仿真，搭建仿真模型，让智能体操作仿真模型，并将智能体的所有操作记录下来，作为训练集训练智能体。智能体经过对训练集中的数据的学习后，将具有“在给定状态下，给出最佳动作”的功能。让智能体循环操作仿真装置若干次后，就能使到达仿真装置靶台处的粒子间距达到最优。
让智能体直接操作实际装置是很昂贵的。所以给它搭建仿真装置是必由之路。
在仿真装置上学习到最优控制策略的智能体直接控制实际装置的效果和仿真的精确程度相关，依据目前的算法，在仿真装置上学习后的智能体，能将聚焦调整到最优值附近。后期通过对模型微调就能达到微束聚焦于最优值的目的。
预搭建的被控加速器的仿真模型的仿真原则包括：1、粒子在模拟装置中的运动依据聚焦光学进行；2、采用大量的粒子（至少大于5万）进行蒙特卡洛运动模拟；3、依据实际设备的物理尺寸进行仿真。例如，漂移管半径是30mm，模拟粒子通过漂移管后，统计粒子的位置坐标，距离轨道中心超过30毫米的粒子将被剔除。
具体地，依次执行对应的单次动作指令，且在执行完成后，获取到达预设区域的粒子的间距（也即所述达靶粒子间距），将该值作为该次动作的评价信息，好的动作将使粒子的间距变小。另外，所述达靶粒子间距为反应到达设备靶台的粒子的间距大小的信息，本发明中到达靶台的粒子的间距就是评价指标，但是，在训练中为了增加敏感度，有时候会将这部分数据进行处理，比如乘以某个倍数，或取log等等，与到达靶台的粒子的间距依然负相关，而是否进行上述处理可根据实际情况确定。
所述第一数量可根据实际情况进行取值，如进行5000万次的动作-聚焦光学模拟，对应会得到5000万条模拟结果。
所述动作指令评价信息也称DQN模型中的Q值。
粒子通过励磁电源对应的磁铁时，依据当时的外部状态(对应设备的磁感应强度)和粒子自身状态及属性(速度，位置，能量，种类)以及四极铁的尺寸进行计算。计算粒子离开四极铁时的自身状态(速度，位置，能量)。
离开所述聚焦磁铁后，粒子便进入漂移管，因此所述被控加速器的仿真模型还包括对漂移管的模拟：该段设备的模拟不考虑粒子间的相互作用,因此粒子进入该段后不再受电场力和磁场力的约束，速度和能量不再发生变化。粒子在真空管道中的状态按匀速直线运动考虑。在粒子飞出漂移管的末端后，对粒子进行筛选，位置坐标大于等于漂移管尺寸的粒子将被剔除。
本步骤中所述智能体对每次动作-聚焦光学模拟中的单次动作指令的选择，可以是随机的，也可以是预设规律的，本发明在此不做限定，可根据实际情况作调整当然，优选为均匀采集。
作为一种优选实施方式，本步骤包括：
将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；其中，每进行第二数量的动作-聚焦光学模拟，就将对应得到的第二数量的模拟结果从易失性存储器中导出，作为对应轮次的存储数据。
依据所述起始状态信息及所述动作信息组,智能体使用固定的均匀采样策略从动作组中采样动作。并将该动作发送给仿真装置，仿真装置依据动作对当前设备的状态更新后，启动初始状态为高斯分布的大量的指定种类的粒子，以设计给定的能量和相位分布，从装置的起始端运动到装置的靶台，粒子严格按照束流光学和装置物理尺寸的限制进行运动。超出管道尺寸的粒子被随时剔除。到达设备靶台的粒子间距将作为本次动作的评价指标。
由于本步骤实际上是为后续的神经网络学习准备素材的过程，因此需要产生大量的数据（也即所述第一数量的值较为庞大，通常为千万条左右），因此在本具体实施方式中，所述第一数量的动作-聚焦光学模拟并非一次性完成，而是在经过所述第二数量的动作-聚焦光学模拟后，即将这一部分对应的模拟结果从易失性存储器中导出，存储到非易失性存储器中，称完成了一轮动作-聚焦光学模拟，称这一批次被导出的模拟结果为对应轮次的存储数据，当然，如无其他故障问题，轮次的数量即为所述第一数量除以所述第二数量得到的商值。换言之，在实际运行中，为保证效率，所述动作-聚焦光学模拟得到的模拟结果会先存储在系统的RAM（易失性存储器）中，而全部第一数量的动作-聚焦光学模拟通常需要几十天的时间，若中途出现断电或程序异常等问题，可能会导致RAM中的数据尽失，本优选实施方式在经过一定次数（也即所述第二数量）的动作-聚焦光学模拟后，就先将RAM中的数据导出，存储到非易失性存储器中，降低了因意外导致的数据损失，提升了系统的工作稳定性。
更进一步地，单次所述动作-聚焦光学模拟包括：
A1：所述智能体根据均匀采样策略，从所述动作信息组中采样，得到单次动作-聚焦光学模拟对应的单次动作指令，并将所述单次动作指令发送至所述仿真模型。
所述均匀采样，指的是所述智能体采集的所有单次动作指令在所述动作信息组中是均匀分布的，也可看作是采样间隔相同，且覆盖动作信息组的。
A2：所述仿真模型根据所述单次动作指令进行状态更新，并启动初始状态为高斯分布的大量的预设种类的粒子，以预设的能量和相位分布，从所述仿真模型中的被控加速器的起始端运动到对应的靶台，其中，所述粒子按照聚焦光学和所述被控加速器的物理尺寸的限制进行运动，且超出所述被控加速器的管道尺寸的粒子被随时剔除动作指令评价信息。
在本具体实施方式中，具体说明了单次所述动作-聚焦光学模拟的过程，并指出利用所述均匀采样策略提取所述单次动作指令，可大大提升获得的训练集的代表性，进而提升最终得到的DQN模型的准确性。此外，本具体实施方式中还指出，在仿真过程中，超出所述被控加速器的管道尺寸的粒子被随时剔除，也即一旦粒子超出所述被控加速器的管道尺寸，则无论如何也到不了对应的靶台了，此时本发明直接将其剔除，不再计算其后续的运动轨迹，大大减小了算力占用，提升了运行效率，节约了算力资源。
优选地，所述第一数量不低于2000万条。
S203：将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。
作为一种优选实施方式，所述被控加速器包括第一励磁电源、第二励磁电源、第一聚焦磁铁、第二聚焦磁铁及第三聚焦磁铁；
所述第一励磁电源连接于所述第一聚焦磁铁及所述第二聚焦磁铁，所述第二励磁电源连接于所述第三聚焦磁铁；
相应地，所述起始状态信息包括与所述第一励磁电源对应的第一起始工作状态信息及与所述第二励磁电源对应的第二起始工作状态信息；所述单次动作指令包括与所述第一励磁电源对应的第一改变指令及与所述第二励磁电源对应的第二改变指令。
在本优选是实施方式中，限定了所述被控加速器的励磁电源构成，同时限定了各个励磁电源与对应的聚焦磁铁的连接关系，更进一步指出了存在单个励磁电源控制多个聚焦磁铁的控制方式，大大拓展了本发明的适用范围，提升了本发明的泛用性。
更进一步地，所述聚焦光学模拟为利用求解微分方程得到的仿真模拟。在本优选实施方式中，利用求解微分方程得到仿真模拟的结果，以此大大提升模拟精度。
作为一种优选实施方式，在每一次动作-聚焦光学模拟之后，还包括：
S2021：判断所述动作-聚焦光学模拟对应的动作后状态信息是否超出所述励磁电源的控制边界值。
所述控制边界值，指所述励磁电源的工作范围，超出所述控制边界，所述励磁电源不能实现。
S2022：当所述动作后状态信息超出所述励磁电源的控制边界值时，将所述动作-聚焦光学模拟对应的动作指令评价信息设定为负值，并结束当前轮次，从易失性存储器中导出对应的模拟结果，作为对应轮次的存储数据。
由于超出所述控制边界，所述励磁电源不能在正常的工作下做到，属于无意义的数据，这种情况下程序将给与对应的单次动作指令惩罚。对当前的单次动作指令打负分，同时，结束当前轮次，此时该轮次内的模拟结果数量就不足所述第二数量了。
作为一种优选实施方式，在每次导出对应轮次的存储数据之后，还包括：
利用所述起始状态信息重置所述仿真模型的工作状态。
也即在本优选实施方式中，每个轮次都是从所述起始状态信息对应的工作状态开始，对所述仿真模型进行调整，这样做可以保障所述仿真模型不会累积误差，提升仿真的准确性。优选地，所述第二数量的值不小于2000，单一轮次内进行的动作-聚焦光学模拟次数如果太少，会不利于数据探索，而如果次数太多，又会增加数据丢失的风险因此，在经过大量的理论计算与实际检验后，得出上述优先的参数范围，兼顾了数据探索与数据安全性，当然，也可以根据实际情况作调整，本发明在此不作限定。
另外，所述将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，得到所述DQN模型包括：
S2031：将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，且将每经过第三数量的次数的训练得到的模型，确定为待选模型。
S2032：从多个所述待选模型中，确定所述DQN模型。
在本优选实施方式中，每训练过一定次数，便将对应的模型保存下来，作为所述待选模型，最后在全部的待选模型中进行挑选，这是因为，随着训练次数的增多，模型可能会出现过拟合现象，出现过拟合现象的模型调优的准确度反而有所下降，因此，本具体实施方式在经过一定数量的训练后，就把模型保存下来以便后续对比，避免了过拟合导致的准确度下降，提升了模型输出的精准度，当然，步骤S2032中的挑选，可以通过多种方式，如与实际数据进行对比等，本发明在此不作限定。所述第三数量当然应当小于所述第一数量，如第一数量为10001，第三数量的范围为500至100。
还有，所述DQN模型为3层神经网络的模型。3层神经网络模型的结构在能保障较高准确率的前提下，最大程度地简化了神经网络结果，大大缩短了训练时长与训练难度，降低了成本。另外，神经网络的结构可为（3，64，32，4），训练时batch_size=4000。
作为一种优选实施方式，所述从所述DQN模型接收目标调控指令包括：
S1031：从所述DQN模型接收目标磁场调控指令。
S1032：根据预存储的磁场-电压对应关系，确定所述目标磁场调控指令对应的目标电压调控指令。
相应地，所述将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流包括：
S1041：将所述目标电压调控指令发送至被控加速器，使所述被控加速器根据所述目标电压调控指令调控束流。
本优选实施方式中，建立了磁感应强度与电压的对应关系，因此，在训练所述DQN模型中，可以直接输入输出各个被控组件，也即所述励磁电源对应的磁感应强度，而在实际发送所述被控加速器进行调整前，再根据预存的所述磁场-电压对应关系，将模型输出的目标磁场调控指令替换为能被直接执行的目标电压调控指令，简化了模型训练过程与实际微束聚焦的控制过程，提升了处理效率。
更进一步地，所述对DQN原始模型进行训练还包括：
利用Adam优化器对DQN原始模型的神经网络进行优化；所述训练的学习率为0.0001，折扣率为0.9。Adam(Adaptive Moment Estimation）优化器是一种自适应优化算法，可以根据历史梯度信息来调整学习率，且对参数的更新进行了归一化处理，使得每个参数的更新都有一个相似的星级，从而提高训练效果。Adam优化器在很多实际问题中表现良好，尤其是在大规模数据集上训练深度神经网络时效果更佳。此外，上述参数均为经过大量理论计算与实际检验后的最佳范围，当然，也可以根据实际需要作相应改动，本发明在此不作进一步限定。
优选地，所述DQN模型设置于EPICS（Experimental Physics and IndustrialControl System，实验物理和工业控制系统）框架中。EPICS框架配置和扩展灵活，兼容性强，泛用性广；更进一步地，通过pyepics对被控设备进行控制，进一步拓宽兼容性。
优选地，所述DQN原始模型通过Pytorch搭建。PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。Pytorch拥有更好的兼容性，同时更加灵活，具有强大的图形卡加速的张量计算，与对神经网络更好的兼容性，也即拥有更好的泛用性。
所述微束聚焦控制方法的程序所在的系统通过python实现，当然，也可以根据实际情况选用其他语言，本发明在此不作限定。
本发明所提供的微束聚焦控制方法，通过获取加速器工作状态信息；将所述加速器工作状态信息输入训练后的DQN模型；从所述DQN模型接收目标调控指令；将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；所述DQN模型的训练方法包括：获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。本发明预先通过被控加速器的仿真模型，大量获得不同工作状态下的电磁电源经过不同的改变指令后，得到的模拟结果，并通过这些模拟结果训练DQN原始模型，最终得到可以自动调节励磁电源，使束流强聚焦、束斑缩小的智能体，该方法不需要技术人员的参与，提高了装置的自动化程度，也即提升了微束聚焦效率，降低了成本。
下面对本发明实施例提供的微束聚焦控制装置进行介绍，下文描述的微束聚焦控制装置与上文描述的微束聚焦控制方法可相互对应参照。
图3为本发明实施例提供的微束聚焦控制装置的结构框图，参照图3微束聚焦控制装置可以包括：
获取模块100，用于获取加速器工作状态信息；
输入模块200，用于将所述加速器工作状态信息输入训练后的DQN模型；
接收模块300，用于从所述DQN模型接收目标调控指令；
发送模块400，用于将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；
所述DQN模型的训练方法包括：
信息获取模块500，用于获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；
模拟模块600，用于将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；
训练模块700，用于将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。
作为一种优选实施方式，所述模拟模块600包括：
轮次单元，用于将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；其中，每进行第二数量的动作-聚焦光学模拟，就将对应得到的第二数量的模拟结果从易失性存储器中导出，作为对应轮次的存储数据。
作为一种优选实施方式，所述模拟模块600，单次所述动作-聚焦光学模拟包括：
均匀采样单元，用于所述智能体根据均匀采样策略，从所述动作信息组中采样，得到单次动作-聚焦光学模拟对应的单次动作指令，并将所述单次动作指令发送至所述仿真模型；
分析单元，用于所述仿真模型根据所述单次动作指令进行状态更新，并启动初始状态为高斯分布的大量的预设种类的粒子，以预设的能量和相位分布，从所述仿真模型中的被控加速器的起始端运动到对应的靶台处，其中，所述粒子按照聚焦光学和所述被控加速器的物理尺寸的限制进行运动，且超出所述被控加速器的管道尺寸的粒子被随时剔除动作指令评价信息。
作为一种优选实施方式，所述模拟模块600，还包括：
边界判断单元，用于判断所述动作-聚焦光学模拟对应的动作后状态信息是否超出所述励磁电源的控制边界值；
模拟终止单元，用于当所述动作后状态信息超出所述励磁电源的控制边界值时，将所述动作-聚焦光学模拟对应的动作指令评价信息设定为负值，并结束当前轮次，从易失性存储器中导出对应的模拟结果，作为对应轮次的存储数据。
作为一种优选实施方式，所述训练模块700包括：
分段训练单元，用于将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，且将每经过第三数量的次数的训练得到的模型，确定为待选模型；
挑选单元，用于从多个所述待选模型中，确定所述DQN模型。
作为一种优选实施方式，所述接收模块300包括：
磁场调控接收单元，用于从所述DQN模型接收目标磁场调控指令；
对应关系单元，用于根据预存储的磁场-电压对应关系，确定所述目标磁场调控指令对应的目标电压调控指令；
相应地，所述发送模块400包括：
电压调控单元，用于将所述目标电压调控指令发送至被控加速器，使所述被控加速器根据所述目标电压调控指令调控束流。
作为一种优选实施方式，所述训练模块700还包括：
Adam训练单元，用于利用Adam优化器对DQN原始模型的神经网络进行优化；所述训练的学习率为0.0001，折扣率为0.9。
本发明所提供的微束聚焦控制方法，通过获取加速器工作状态信息；将所述加速器工作状态信息输入训练后的DQN模型；从所述DQN模型接收目标调控指令；将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；所述DQN模型的训练方法包括：获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。本发明预先通过被控加速器的仿真模型，大量获得不同工作状态下的电磁电源经过不同的改变指令后，得到的模拟结果，并通过这些模拟结果训练DQN原始模型，最终得到可以自动调节励磁电源，使束流强聚焦、束斑缩小的智能体，该方法不需要技术人员的参与，提高了装置的自动化程度，也即提升了微束聚焦效率，降低了成本。
本实施例的微束聚焦控制装置用于实现前述的微束聚焦控制方法，因此微束聚焦控制装置中的具体实施方式可见前文中的微束聚焦控制方法的实施例部分，例如，获取模块100，输入模块200，接收模块300，发送模块400，信息获取模块500，模拟模块600，训练模块700，分别用于实现上述微束聚焦控制方法中步骤S101，S102，S103、S104、S201、S202和S203，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明还提供了一种微束聚焦控制设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的微束聚焦控制方法的步骤。本发明所提供的微束聚焦控制方法，通过获取加速器工作状态信息；将所述加速器工作状态信息输入训练后的DQN模型；从所述DQN模型接收目标调控指令；将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；所述DQN模型的训练方法包括：获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。本发明预先通过被控加速器的仿真模型，大量获得不同工作状态下的电磁电源经过不同的改变指令后，得到的模拟结果，并通过这些模拟结果训练DQN原始模型，最终得到可以自动调节励磁电源，使束流强聚焦、束斑缩小的智能体，该方法不需要技术人员的参与，提高了装置的自动化程度，也即提升了微束聚焦效率，降低了成本。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的微束聚焦控制方法的步骤。本发明所提供的微束聚焦控制方法，通过获取加速器工作状态信息；将所述加速器工作状态信息输入训练后的DQN模型；从所述DQN模型接收目标调控指令；将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；所述DQN模型的训练方法包括：获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。本发明预先通过被控加速器的仿真模型，大量获得不同工作状态下的电磁电源经过不同的改变指令后，得到的模拟结果，并通过这些模拟结果训练DQN原始模型，最终得到可以自动调节励磁电源，使束流强聚焦、束斑缩小的智能体，该方法不需要技术人员的参与，提高了装置的自动化程度，也即提升了微束聚焦效率，降低了成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的微束聚焦控制方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明的保护范围内。
Claims (10)
1.一种微束聚焦控制方法，其特征在于，包括：
获取加速器工作状态信息；
将所述加速器工作状态信息输入训练后的DQN模型；
从所述DQN模型接收目标调控指令；
将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；
所述DQN模型的训练方法包括：
获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；
将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；
将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。
2.如权利要求1所述的微束聚焦控制方法，其特征在于，所述被控加速器包括第一励磁电源、第二励磁电源、第一聚焦磁铁、第二聚焦磁铁及第三聚焦磁铁；
所述第一励磁电源连接于所述第一聚焦磁铁及所述第二聚焦磁铁，所述第二励磁电源连接于所述第三聚焦磁铁；
相应地，所述起始状态信息包括与所述第一励磁电源对应的第一起始工作状态信息及与所述第二励磁电源对应的第二起始工作状态信息；所述单次动作指令包括与所述第一励磁电源对应的第一改变指令及与所述第二励磁电源对应的第二改变指令。
3.如权利要求1所述的微束聚焦控制方法，其特征在于，所述将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果包括：
将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；其中，每进行第二数量的动作-聚焦光学模拟，就将对应得到的第二数量的模拟结果从易失性存储器中导出，作为对应轮次的存储数据。
4.如权利要求3所述的微束聚焦控制方法，其特征在于，在每一次动作-聚焦光学模拟之后，还包括：
判断所述动作-聚焦光学模拟对应的动作后状态信息是否超出所述励磁电源的控制边界值；
当所述动作后状态信息超出所述励磁电源的控制边界值时，将所述动作-聚焦光学模拟对应的动作指令评价信息设定为负值，并结束当前轮次，从易失性存储器中导出对应的模拟结果，作为对应轮次的存储数据。
5.如权利要求1所述的微束聚焦控制方法，其特征在于，所述动作-聚焦光学模拟为利用求解微分方程得到的仿真模拟。
6.如权利要求1所述的微束聚焦控制方法，其特征在于，单次所述动作-聚焦光学模拟包括：
所述智能体根据均匀采样策略，从所述动作信息组中采样，得到单次动作-聚焦光学模拟对应的单次动作指令，并将所述单次动作指令发送至所述仿真模型；
所述仿真模型根据所述单次动作指令进行状态更新，并启动初始状态为高斯分布的大量的预设种类的粒子，以预设的能量和相位分布，从所述仿真模型中的被控加速器的起始端运动到对应的靶台，其中，所述粒子按照聚焦光学和所述被控加速器的物理尺寸的限制进行运动，且超出所述被控加速器的管道尺寸的粒子被随时剔除动作指令评价信息。
7.如权利要求1所述的微束聚焦控制方法，其特征在于，所述将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，得到所述DQN模型包括：
将第一数量的模拟结果作为训练集，对DQN原始模型进行训练，且将每经过第三数量的次数的训练得到的模型，确定为待选模型；
从多个所述待选模型中，确定所述DQN模型。
8.如权利要求1所述的微束聚焦控制方法，其特征在于，所述DQN模型为3层神经网络的模型。
9.如权利要求1所述的微束聚焦控制方法，其特征在于，所述从所述DQN模型接收目标调控指令包括：
从所述DQN模型接收目标磁场调控指令；
根据预存储的磁场-电压对应关系，确定所述目标磁场调控指令对应的目标电压调控指令；
相应地，所述将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流包括：
将所述目标电压调控指令发送至被控加速器，使所述被控加速器根据所述目标电压调控指令调控束流。
10.一种微束聚焦控制装置，其特征在于，包括：
获取模块，用于获取加速器工作状态信息；
输入模块，用于将所述加速器工作状态信息输入训练后的DQN模型；
接收模块，用于从所述DQN模型接收目标调控指令；
发送模块，用于将所述目标调控指令发送至被控加速器，使所述被控加速器根据所述目标调控指令调控束流；
所述DQN模型的训练方法包括：
信息获取模块，用于获取起始状态信息及动作信息组；所述起始状态信息包括所述被控加速器的全部励磁电源的起始工作状态信息；所述动作信息组中的每一个单次动作指令均包括全部所述励磁电源的改变指令；
模拟模块，用于将所述起始状态信息及所述动作信息组发送至DQN原始模型，使所述DQN原始模型的智能体利用所述起始状态信息及所述动作信息组，通过预搭建的被控加速器的仿真模型进行第一数量的动作-聚焦光学模拟，得到第一数量的模拟结果；单个所述模拟结果包括动作前状态信息、单次动作指令、动作后状态信息、达靶粒子间距及动作指令评价信息；其中，所述达靶粒子间距与所述动作指令评价信息的值负相关；
训练模块，用于将第一数量的模拟结果作为训练集，对所述DQN原始模型进行训练，得到所述DQN模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200315.4A CN117806170B (zh) | 2024-02-23 | 2024-02-23 | 一种微束聚焦控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200315.4A CN117806170B (zh) | 2024-02-23 | 2024-02-23 | 一种微束聚焦控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117806170A CN117806170A (zh) | 2024-04-02 |
| CN117806170B true CN117806170B (zh) | 2024-05-10 |
Family
ID=90432136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410200315.4A Active CN117806170B (zh) | 2024-02-23 | 2024-02-23 | 一种微束聚焦控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117806170B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08203700A (ja) * | 1995-01-24 | 1996-08-09 | Hitachi Ltd | 加速器およびそのビーム出射制御方法、ビーム出射制御装置 |
| JP2002110400A (ja) * | 2000-09-29 | 2002-04-12 | Japan Science & Technology Corp | 永久磁石を用いた荷電粒子加速用磁石と高磁場円形荷電粒子加速器 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| WO2022023304A1 (en) * | 2020-07-31 | 2022-02-03 | Asml Netherlands B.V. | Systems and methods for pulsed voltage contrast detection and capture of charging dynamics |
| CN114119453A (zh) * | 2020-08-26 | 2022-03-01 | 通用电气精准医疗有限责任公司 | 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法 |
| CN115244364A (zh) * | 2019-11-07 | 2022-10-25 | 艾尔默斯半导体欧洲股份公司 | 通过多个nv中心测量磁通量密度和其它参数的方法和装置及其应用 |
| CN116454926A (zh) * | 2023-06-13 | 2023-07-18 | 湖南大学 | 一种面向配网三相不平衡治理的多类型资源协同调控方法 |
-
2024
- 2024-02-23 CN CN202410200315.4A patent/CN117806170B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08203700A (ja) * | 1995-01-24 | 1996-08-09 | Hitachi Ltd | 加速器およびそのビーム出射制御方法、ビーム出射制御装置 |
| JP2002110400A (ja) * | 2000-09-29 | 2002-04-12 | Japan Science & Technology Corp | 永久磁石を用いた荷電粒子加速用磁石と高磁場円形荷電粒子加速器 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN115244364A (zh) * | 2019-11-07 | 2022-10-25 | 艾尔默斯半导体欧洲股份公司 | 通过多个nv中心测量磁通量密度和其它参数的方法和装置及其应用 |
| WO2022023304A1 (en) * | 2020-07-31 | 2022-02-03 | Asml Netherlands B.V. | Systems and methods for pulsed voltage contrast detection and capture of charging dynamics |
| CN114119453A (zh) * | 2020-08-26 | 2022-03-01 | 通用电气精准医疗有限责任公司 | 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法 |
| CN116454926A (zh) * | 2023-06-13 | 2023-07-18 | 湖南大学 | 一种面向配网三相不平衡治理的多类型资源协同调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117806170A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | On the variance of the adaptive learning rate and beyond | |
| CN111046581B (zh) | 一种输电线路故障类型识别方法及系统 | |
| CN109492059B (zh) | 一种多源异构数据融合与模型修正过程管控方法 | |
| Edelen et al. | First steps toward incorporating image based diagnostics into particle accelerator control systems using convolutional neural networks | |
| Szczypta et al. | Some aspects of evolutionary designing optimal controllers | |
| AT512977A2 (de) | Methode zur Ermittlung eines Modells einer Ausgangsgröße eines technischen Systems | |
| CN116383912B (zh) | 一种提高控制精度的微型电机结构优化方法及系统 | |
| CN111027629A (zh) | 基于改进随机森林的配电网故障停电率预测方法及系统 | |
| CN109344969B (zh) | 神经网络系统及其训练方法以及计算机可读介质 | |
| CN110278651B (zh) | 一种校准加速器束流偏移的强化学习方法 | |
| CN117806170B (zh) | 一种微束聚焦控制方法及装置 | |
| CN111428371A (zh) | 一种行波管周期永磁聚焦系统快速设计方法 | |
| CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
| CN117915540A (zh) | 一种束流调控方法及装置 | |
| CN111460367B (zh) | 一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 | |
| CN108665002A (zh) | 一种二分类任务标签噪声容忍分类器学习方法 | |
| CN111539508A (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
| CN116431516A (zh) | 一种用于变异测试的程序语句选择方法及系统 | |
| CN115795303A (zh) | 一种搜索动态学习率的客户端状态识别方法及装置 | |
| CN112633516B (zh) | 性能预测和机器学习编译优化方法及装置 | |
| KR20200094577A (ko) | 인공신경망 시뮬레이터와 강화학습 제어기를 사용한 실시간 가속기 제어 시스템 | |
| CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
| CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
| CN108595816B (zh) | 基于人工智能的电子产品建模系统及方法 | |
| CN108875927B (zh) | 一种高维度深度学习模型的收敛方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |