导读 粒子加速器是迄今为止设计的最复杂的科学仪器之一。由于数百万个传感器和数千个子系统面临故障风险，这些加速器的操作员必须持续监控性能并...

粒子加速器是迄今为止设计的最复杂的科学仪器之一。由于数百万个传感器和数千个子系统面临故障风险，这些加速器的操作员必须持续监控性能并梳理大量传感器以识别问题。这就是直线加速器相干光源的情况，该光源是SLAC国家加速器实验室的能源部用户设施。

研究人员现已开发出一种人工智能(AI)算法，可以模仿人类操作员应对这一挑战的方式。自动化系统密切关注加速器。当性能下降时，它会向操作员发出警报，并确定造成影响的特定子系统。这可以简化加速器操作、减少停机时间并增强这些工具收集的科学数据。该研究发表在《物理评论加速器和光束》上。

自动化人工智能解决方案向SLAC操作员展示应关闭和更换哪些组件，以保持加速器全天候运行。可靠性的提高还使更多子系统保持在线。这使得加速器能够充分发挥其运行能力。这种人工智能方法可以使许多复杂的系统受益。例如，它可以提高其他实验设施、先进制造工厂、电网和核电站的可靠性。

现代加速器记录数百万个数据流，对于小型运营团队来说，信号太多，无法实时监控并可靠地避免导致代价高昂的停机的子系统故障。例如，在世界上最早的X射线激光器之一的直线加速器相干光源中，加速电子的射频(RF)站中的故障是导致停机和性能下降的主要原因。

现有的自动化算法试图识别射频站问题，但算法的预测几乎70%都是误报，运营商只能依靠手动检查来识别射频站异常。

受操作员的启发，人工智能方法同时对射频站诊断和最终光束质量的逐次测量运行异常检测算法。仅当两种算法同时识别异常时才能预测故障。这种方法(现已纳入控制室)可以完全自动化，与单独的射频站诊断相比，可以识别更多事件，误报率更少。

最近正在申请专利的工作将重合概念扩展到了深度学习算法，例如神经网络，它可以在没有专家输入的情况下识别原始、未标记数据的错误。研究人员期望这些机器学习驱动的算法能够在科学和工业领域的复杂系统中得到广泛的应用。