Optimization of the Accelerator Control by Reinforcement Learning: A Simulation-Based Approach

A. Ibrahim; D. Derkach; Petrenko A.; F. Ratnikov; M. Kaledin

doi:10.1134/S1063779625700716

Публикации

?

Optimization of the Accelerator Control by Reinforcement Learning: A Simulation-Based Approach

Physics of Particles and Nuclei. 2025. Vol. 56. No. 6. P. 1476–1481.

Ибрахим А., Деркач Д. А., Petrenko A., Ратников Ф. Д., Каледин М. Л.

Научное направление: Компьютерные науки Физика

Язык: английский

Полный текст

DOI

Текст на другом сайте

Ключевые слова: particle accelerators ускорители частиц обучение с подкреплением Calculus of variations and optimal control deep reinforcement learning оптимальное управление в агентных моделях

A Reproducible Microscopy Acquisition Pipeline and Microscopy-Aware Attention for Classification, Detection, and Segmentation of Microorganisms

Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 10 Article 330

Добавлено: 14 октября 2026 г.

Focusing the Diffusion: Importance Sampling for One-Shot Subject-Driven Image Generation

Мамедов И. Г., Fofanov M., Lukianchenko P. и др., IEEE Access 2026 No. 14 P. 26662–26671

Добавлено: 14 октября 2026 г.

Studies in Computational Intelligence

Springer, 2026.

Добавлено: 13 октября 2026 г.

Proceedings of the 3rd International Conference on Sustainability: Developments and Innovations. Proceedings of ICSDI 2026, Volume 4. Lecture Notes in Civil Engineering (LNCE, volume 886)

Springer, 2026.

Добавлено: 13 октября 2026 г.

Sandpile Cellular Automata with Manna Rule on the Chung-Lu Graph: Application to X Social Network

Дмитриев А. В., Корнилов В. В., Batienkov R., Lecture Notes in Civil Engineering 2026 Vol. 886 P. 249–255

Добавлено: 13 октября 2026 г.

Sandpile Cellular Automata with Manna Rule on the Chung-Lu Graph: Application to X Social Network

Дмитриев А. В., Shulman I., Лебедев А. А., Studies in Computational Intelligence 2026 Vol. 1265 P. 266–273

Добавлено: 13 октября 2026 г.

Неравновесное состояние в квазиодномерных сверхпроводящих каналах

Арутюнов К. Ю., Харитонов И. А., Петросянц К. О., JETP Letters 2026 Vol. 124 No. 6 P. 1–16

Добавлено: 13 октября 2026 г.

Improving Differential Equation Solving in Compact Language Models via Activation Steering and Reinforcement Learning

Сурков А. Ю., Игнатенко В. В., Кольцов С. Н., Computers, Materials and Continua 2026 Vol. 88 No. 3 Article 74

Добавлено: 8 июля 2026 г.

TreeDQN: Sample-efficient off-policy reinforcement learning for combinatorial optimization

Sorokin D., Kostin A., L. Savchenko и др., Knowledge-Based Systems 2026 Vol. 348 Article 116258

Добавлено: 10 июня 2026 г.

Learning-Based UAV–RIS Secure Communication Under Eavesdropper Location Uncertainty

Ehab S. Suleiman, Ali J. Dayoub, , in: Proceedings of the 2026 8th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE).: IEEE, 2026. Ch. 165 P. 1–6.

Добавлено: 30 апреля 2026 г.

Reinforcement learning for accelerator beamline control: A simulation-based approach

Ибрахим А., Petrenko A., Каледин М. Л. и др., International Journal of Modern Physics E 2026 Vol. 35 No. 07 Article 2641027

Добавлено: 26 января 2026 г.

Optimal Approximation of Average Reward Markov Decision Processes

Сапронов Ю. Ф., Юдин Н. Е., Computational Mathematics and Mathematical Physics 2025 Vol. 65 No. 3 P. 567–581

We continue to develop the concept of studying the ε-optimal policy for Average Reward Markov Decision Processes (AMDP) by reducing it to Discounted Markov Decision Processes (DMDP). Existing research often stipulates that the discount factor must not fall below a certain threshold. Typically, this threshold is close to one, and as is well-known, iterative methods ...

Добавлено: 10 июня 2025 г.

Optical stabilization for laser communication satellite systems through proportional–integral–derivative (PID) control and reinforcement learning approach

Бахшалиев Р. М., Reutov A., Vorobey S. и др., Review of Scientific Instruments 2025 Vol. 96 No. 3

Добавлено: 13 мая 2025 г.

The beer game bullwhip effect mitigation: a deep reinforcement learning approach

Рожков М. И., Алямовская Н. С., Заходякин Г. В., International Journal of Production Research 2025 Vol. 63 No. 18 P. 6630–6647

Добавлено: 24 марта 2025 г.

Adaptive Algorithm for Selecting the Optimal Trading Strategy Based on Reinforcement Learning for Managing a Hedge Fund

Belyakov B., Сизых Д. С., IEEE Access 2024 Vol. 12 P. 189047–189063

В управлении хедж-фондами способность динамически выбирать оптимальные торговые стратегии имеет первостепенное значение для максимизации доходности и снижения риска. В этой статье представлен новаторский подход, который интегрирует обучение с подкреплением (RL), в частности алгоритм оптимизации проксимальной политики (PPO), в процесс выбора стратегии для управления хедж-фондами. Наша модель рассматривает разнообразный спектр стратегий, включая возврат к среднему и ...

Добавлено: 15 января 2025 г.

Компьютерное моделирование аффективных процессов в когнитивном контроле

Баланина С. Н., Березнер Т. А., В кн.: Психология познания: материалы Всероссийской научной конференции. ЯрГУ, 6–8 декабря 2024 г. Материалы Всероссийской научной конференции памяти Дж. С. Брунера.: Яр.: ЯрГУ им. П. Г. Демидова, 2024. С. 45–48.

В настоящей работе мы предложили метод моделирования эмоциональной реакции, вызываемой стимулами в задаче Струпа. Наша модель отражает изменение валентности вызываемой реакции, то есть аффективной оценки стимула, по мере прохождения эксперимента. Мы использовали модель из класса алгоритмов обучения с подкреплением, разработанную Silvetti et al. (Silvetti et al., 2018). Результаты симуляции подтвердили, что вначале аффективная оценка выше ...

Добавлено: 28 декабря 2024 г.

Time-optimal state transfer for an open qubit

Lokutsievskiy L. V., Pechen A. N., Zelikin M. I., Journal of Physics A: Mathematical and Theoretical 2024 Vol. 57 No. 27 Article 275302

Добавлено: 25 ноября 2024 г.

Improving GFlowNets with Monte Carlo Tree Search

Морозов Н. В., Тяпкин Д. Н., Самсонов С. В. и др., , in: ICML 2024 Workshop on Structured Probabilistic Inference & Generative Modeling.: OpenReview, 2024.

Добавлено: 24 октября 2024 г.

Comparing experience- and description-based economic preferences across 11 countries

Anlló H., Bavard S., Benmarrakchi F. и др., Nature Human Behaviour 2024 Vol. 6 No. 8 P. 1554–1567

Добавлено: 17 июля 2024 г.

When to Switch: Planning and Learning for Partially Observable Multi-Agent Pathfinding

Skrynnik A., Andreychuk A., Яковлев К. С. и др., IEEE Transactions on Neural Networks and Learning Systems 2024 Vol. 35 No. 12 P. 17411–17424

Добавлено: 4 декабря 2023 г.

Dealing With Sparse Rewards Using Graph Neural Networks

Gerasyov Matvey, Макаров И. А., IEEE Access 2023 Vol. 11 P. 89180–89187

Добавлено: 28 августа 2023 г.

Artificial Intelligence and Mathematical Models of Power Grids Driven by Renewable Energy Sources: A Survey

Сринивасан С., Kumarasamy S., Andreadakis Z. и др., Energies 2023 Vol. 16 No. 14 Article 5383

Добавлено: 17 июля 2023 г.

Optimization of Characteristics for a Stochastic Agent-Based Model of Goods Exchange with the Use of Parallel Hybrid Genetic Algorithm

Andranik S. Akopov, Armen L. Beklaryan, Zhukova A., Cybernetics and Information Technologies 2023 Vol. 23 No. 2 P. 87–104

Добавлено: 8 июня 2023 г.

Обзор нейросетевых методов анализа и генерации кода

С. М. Авдошин, Г. А. Арутюнов, Информационные технологии 2022 Т. 28 № 7 С. 378–391

В условиях пандемии как никогда стала актуальной проблема нехватки кадров в сфере информационных технологий. По оценкам аналитиков в 2021 году Россия не досчиталась от 500 тыс. до 1 млн IT-специалистов. Образование и вывод на рынок такого большого числа специалистов может занять годы. Очень остро стоит вопрос оптимизации процесса создания IT-решений, в том числе путем разработки ...

Добавлено: 11 июня 2022 г.