Speakers
Description
Le tecniche di Reinforcement Learning vengono sempre più utilizzate per ottimizzare automaticamente la dinamica del fascio negli acceleratori di particelle. Un agente implementato con un modello di Deep Learning può essere addestrato per esplorare in modo efficiente lo spazio dei parametri del sistema di controllo di un acceleratore e convergere verso la configurazione del fascio ottimale. L'addestramento di tali modelli è limitato dal punto di vista computazionale dal numero di simulazioni della dinamica del fascio che possono essere eseguite in un tempo ragionevole. È quindi fondamentale scalare tale carico di lavoro su un'infrastruttura di calcolo dedicata pur mantenendo un'interfaccia semplice e di alto livello per l'utente.
Questo contributo presenta AccelerateRL: un pacchetto Python che sfrutta Dask, una libreria open-source, per consentire l'esecuzione parallela del simulatore TraceWin su Kubernetes, utilizzando un numero di worker scalabile dinamicamente e richiedendo modifiche minime al codice utente. I worker vengono istanziati con un'immagine docker personalizzata caricata su baltig.infn.it e configurata con l'ambiente necessario per avviare la simulazione. L'approccio è stato validato utilizzando il servizio “cluster Kubernetes” su INFN Cloud per simulare la linea di fascio ADIGE presso i Laboratori Nazionali di Legnaro.
