«بکارگیری یادگیری ماشین برای تنظیم خودکار شتابدهنده‌های ذرات» این ارایه در قالب کارگاه 7th Diffraction Limited Storage Ring (DLSR) Workshop که به صورت برخط در روزهای ۲۳ و ۲۴ فروردین ۱۴۰۰ برگزار گردید، توسط آقای شیائوبائو هوآنگ انجام شده است. 📺 https://www.aparat.com/v/bsxp208 ✅ در این ارایه وی به ملاحظات استفاده از یادگیری ماشین در بهینه‌سازی و انتخاب الگوریتم مناسب بسته به ویژگی‌های مدل یادگیری ماشین از قبیل ⭕ صحت مدل ⭕ ناحیه اعتبار مدل ⭕ و پیچیدگی فرآیند تعلیم اشاره می‌کند. ✅ سپس وی روش بهینه‌سازی ترکیبی MG-GPO (Multi Generation Gaussian Process Optimizer) را که با استفاده از NSGA-II و MOPSO توسعه داده شده و ابتدا برای بهینه‌سازی طراحی‌ها پیشنهاد شده ولی با توجه به کارامدی بالا، در بهینه‌سازی برخط هم مورد استفاده قرار گرفته است، معرفی کرده و به برخی مزایای آن اشاره می‌کند. ✅ در ادامه وی دو روش MG-GPO و P-GPO (Physics Informed Gaussian Process Optimizer) را مقایسه کرده و مثال‌هایی واقعی از عملکرد این دو روش در SPEAR3 را بیان می‌کند. ✅ سپس وی به تجربه‌های ⭕ بیشینه کردن بار شتابگر خطی APS با بهینه‌سازی تنظیم ۷مغناطیس چهارقطبی و ۵ مغناطیس اصلاح‌گر ⭕ افزایش بهره‌وری تزریق باریکه الکترونی APS و بهبود روزنه تکانه (‌Momentum Aperture) با بهینه‌سازی تنظیم ۵ خانواده مغناطیس شش‌قطبی اشاره می‌کند.