?2021 年 6 月 3 日消息，加利福尼亞州利弗莫爾，勞倫斯利弗莫爾國家實驗室 (LLNL) 的研究人員已將神經網絡應用于高強度短脈沖激光等離子體加速的研究，特別是針對固體目標的離子加速。在大多數情況下，神經網絡用于研究數據集。在當前的工作中，LLNL 團隊使用它們來探索稀疏采樣的參數空間，作為完整模擬或實驗的替代品。



LLNL 博士后任命者 Blagoje Djordjevic 說：“這項工作主要是為了展示我們如何使用神經網絡等機器學習技術來增強我們已有的工具。計算成本高昂的模擬，例如細胞內粒子代碼，仍然是我們工作的一個必要方面，但即使是一個簡單的網絡，我們也能夠訓練一個代理模型，該模型可以可靠地填充有趣的相空間帶?！?/span>





該圖像顯示了最大離子能量的參數掃描，作為由神經網絡替代模型生成的激光脈沖持續時間和強度的函數。疊加的是來自模擬集成的數據點，用于訓練神經網絡，勞倫斯利弗莫爾國家實驗室提供



在這項工作中，Djordjevic 能夠使用 EPOCH（可擴展 PIC 開放協作）代碼（一種激光等離子體多光子電離 (MPI) 模擬代碼）生成超過 1000 個粒子內粒子模擬的集合。模擬產生的數據集涵蓋了幾個數量級的廣泛實驗參數，并且可以提取離子能量和電子溫度等值。然后使用該數據集來訓練多層全連接神經網絡，該網絡充當代理模型。



代理能夠在幾個數量級內繪制離子能量對激光強度和脈沖持續時間的依賴性。研究人員注意到對 preplasma 梯度長度尺度依賴性的一個有趣行為，他們用更復雜的技術（如集成代理和轉移學習）進一步探索了這一行為。發現加速的離子能量非線性地取決于激光在擊中主要目標之前與之相互作用的低密度前等離子體的輪廓。盡管人們可以期望在相對論等離子體趨膚深度附近找到共振值，但值得注意的是，盡管數據稀少，網絡仍能夠可靠地生成結果。



最后，在概念驗證中，研究人員展示了如何使用代理從難以直接觀察的實驗數據中提取重要的物理信息，例如梯度長度尺度。



Djordjevic 說：“使用稀疏但廣泛的模擬數據集，我們能夠訓練神經網絡以可靠地再現訓練結果，并以合理的置信度為參數空間的未采樣區域生成結果。這產生了一個替代模型，我們用它來快速探索感興趣的區域。”



據 Djordjevic 的導師 Derek Mariscal 稱，這項工作概述了一種全新的方法來研究短脈沖高強度激光相互作用的物理學。研究人員認為，機器學習方法在科學中得到廣泛采用，這是在發展高速、高精度、高能量密度科學方面向前邁出的重要一步。



Mariscal 說，在過去的 20 年里，大多數短脈沖激光實驗都假設所傳遞的激光脈沖基本上是高斯形狀的，盡管這在很大程度上是一個未經證實的假設。



“[實驗室定向研究與開發 (LDRD)] 項目旨在從成形的高強度激光短脈沖中提供定制的光源，同時密切關注所提供的激光脈沖，”他說：“我們通過建模和一組有限的實驗發現，這些脈沖細節會對產生的電子和離子源產生深遠的影響?！?/span>



在短期內，這項工作的實施將使兩個 LLNL 項目受益，一個由 Mariscal 領導的 LDRD 項目，其中大型集合將用于模擬離子加速對成形激光脈沖的依賴性，以及一個由 LLNL 物理學家 Tammy Ma 領導的項目和Timo Bremer 將使用這些集成來訓練用于虛擬診斷和操作控制的神經網絡。



激光等離子體加速已經在慣性約束聚變任務中具有重要應用，因為國家點火裝置 (NIF) 使用相對較短、皮秒長的激光脈沖來加速熱電子，進而產生 X 射線，用于在設施的中心。



Djordjevic 說：“在不久的將來，我們將生成一組新的模擬，以支持我們團隊今年夏天將在高重復率激光系統上進行的兩項實驗。這個項目最重要的方面是我們將形成短的飛秒級激光脈沖，其中 NIF 的激光在納秒級進行整形。這將需要我們進行更多的模擬，我們不僅要改變目標箔厚度、激光強度和持續時間等標準參數，還要改變光譜對激光輪廓的相位貢獻。”



該研究發表在《等離子體物理學》上。

原文鏈接：https://www.xianjichina.com/special/detail_485999.html
來源：賢集網
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。