핵물리 실험에서 동적 편극 타깃의 마이크로파 주파수를 수동으로 조정하던 작업을 자동화하기 위해, 연구진은 대체모델(surrogate model)과 강화학습을 결합한 데이터 기반 제어 프레임워크를 제시했다. APOLLO 저온 타깃 시스템의 운영 데이터를 이용해 다층 퍼셉트론과 가우시안 프로세스 회귀 모델로 마이크로파 주파수, 빔 전류, 누적 방사선량에 따른 편극을 예측했으며, 가우시안 프로세스 기반 모델이 보정된 불확실성 추정치를 제공하고 학습 분포 밖의 영역을 신뢰성 있게 식별한 반면 MLP는 분포 변화에 대한 민감도가 낮았다. 여러 타깃 샘플에 걸친 학습·제어를 위해 가우시안 프로세스 근사를 도입하고 표준화된 시뮬레이션 환경에 대체모델을 내장했으며, 성능 최대화와 불확실성을 균형 잡는 하한 신뢰구간 보상 방식으로 강화학습 에이전트를 학습시켰다. 그 결과 사람 운영자의 조작 성능보다 약 2배 향상된 결과를 달성했다.
- •마이크로파 주파수 수동 조정을 단체가·강화학습 기반 제어로 전환
- •가우시안 프놠세스 회가상려이 MLP밈다 분포 밖 영역 식벌과 벌정된 밒실확정 추정에서 우수
- •여러 타격 샘플 학습을 위한 가우시안 프놠세스 깜사와 통 시뮬렔이션 환거 구축
- •하한 신다구겄 벜째 미옸케크 응사값콸깅 바롔 학습한 RL 에이전트가 사랈 운영자 대비 약 2바 성능 향상
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Reinforcement Learning Techniques for the Optimization of Target Polarization in Nuclear Physics Scattering Experiments
- 1.APOLLO 극저온 타깃 시스템에서 전파 주파수를 매번 수동으로 조정하던 작업을 데이터 기반으로 자동화
- 2.가우시안 프로세스와 다층퍼셉트론으로 편극도를 예측하되, GP가 학습 범위 밖 상황을 더 잘 감지
- 3.불확실성을 반영한 하한신뢰구간 보상으로 강화학습 에이전트를 학습시켜 성능과 안전성을 함께 고려
- 4.숙련된 운영자의 조작 대비 약 2배의 성능 개선을 보임
왜 중요한가?
희귀 실험 장비 운영처럼 데이터가 적고 위험이 큰 산업 제어 문제에도, 불확실성을 정량화하는 대리모델과 강화학습을 결합하면 숙련자를 능가하는 자동 제어가 가능함을 보여주는 사례다.
언급 프로젝트
본문 미리보기
arXiv:2610.02452v1 Announce Type: new Abstract: The operation of dynamically polarized targets in nuclear physics experiments relies on continuous tuning of the microwave frequency to compensate for radiation damage and evolving material properties, a task that is traditionally performed through manual trial-and-error by expert operators. This work presents a data-driven control framework that combines surrogate modeling with reinforcement learning to optimize the target polarization. Using ope
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
