科学家已将神经网络应用于高强度短脉冲激光等离子体加速研究

 2021 年 6 月 3 日消息，加利福尼亚州利弗莫尔，劳伦斯利弗莫尔国家实验室 (LLNL) 的研究人员已将神经网络应用于高强度短脉冲激光等离子体加速的研究，特别是针对固体目标的离子加速。在大多数情况下，神经网络用于研究数据集。在当前的工作中，LLNL 团队使用它们来探索稀疏采样的参数空间，作为完整模拟或实验的替代品。



LLNL 博士后任命者 Blagoje Djordjevic 说：“这项工作主要是为了展示我们如何使用神经网络等机器学习技术来增强我们已有的工具。计算成本高昂的模拟，例如细胞内粒子代码，仍然是我们工作的一个必要方面，但即使是一个简单的网络，我们也能够训练一个代理模型，该模型可以可靠地填充有趣的相空间带。”





该图像显示了最大离子能量的参数扫描，作为由神经网络替代模型生成的激光脉冲持续时间和强度的函数。叠加的是来自模拟集成的数据点，用于训练神经网络，劳伦斯利弗莫尔国家实验室提供



在这项工作中，Djordjevic 能够使用 EPOCH（可扩展 PIC 开放协作）代码（一种激光等离子体多光子电离 (MPI) 模拟代码）生成超过 1000 个粒子内粒子模拟的集合。模拟产生的数据集涵盖了几个数量级的广泛实验参数，并且可以提取离子能量和电子温度等值。然后使用该数据集来训练多层全连接神经网络，该网络充当代理模型。



代理能够在几个数量级内绘制离子能量对激光强度和脉冲持续时间的依赖性。研究人员注意到对 preplasma 梯度长度尺度依赖性的一个有趣行为，他们用更复杂的技术（如集成代理和转移学习）进一步探索了这一行为。发现加速的离子能量非线性地取决于激光在击中主要目标之前与之相互作用的低密度前等离子体的轮廓。尽管人们可以期望在相对论等离子体趋肤深度附近找到共振值，但值得注意的是，尽管数据稀少，网络仍能够可靠地生成结果。



最后，在概念验证中，研究人员展示了如何使用代理从难以直接观察的实验数据中提取重要的物理信息，例如梯度长度尺度。



Djordjevic 说：“使用稀疏但广泛的模拟数据集，我们能够训练神经网络以可靠地再现训练结果，并以合理的置信度为参数空间的未采样区域生成结果。这产生了一个替代模型，我们用它来快速探索感兴趣的区域。”



据 Djordjevic 的导师 Derek Mariscal 称，这项工作概述了一种全新的方法来研究短脉冲高强度激光相互作用的物理学。研究人员认为，机器学习方法在科学中得到广泛采用，这是在发展高速、高精度、高能量密度科学方面向前迈出的重要一步。



Mariscal 说，在过去的 20 年里，大多数短脉冲激光实验都假设所传递的激光脉冲基本上是高斯形状的，尽管这在很大程度上是一个未经证实的假设。



“[实验室定向研究与开发 (LDRD)] 项目旨在从成形的高强度激光短脉冲中提供定制的光源，同时密切关注所提供的激光脉冲，”他说：“我们通过建模和一组有限的实验发现，这些脉冲细节会对产生的电子和离子源产生深远的影响。”



在短期内，这项工作的实施将使两个 LLNL 项目受益，一个由 Mariscal 领导的 LDRD 项目，其中大型集合将用于模拟离子加速对成形激光脉冲的依赖性，以及一个由 LLNL 物理学家 Tammy Ma 领导的项目和Timo Bremer 将使用这些集成来训练用于虚拟诊断和操作控制的神经网络。



激光等离子体加速已经在惯性约束聚变任务中具有重要应用，因为国家点火装置 (NIF) 使用相对较短、皮秒长的激光脉冲来加速热电子，进而产生 X 射线，用于在设施的中心。



Djordjevic 说：“在不久的将来，我们将生成一组新的模拟，以支持我们团队今年夏天将在高重复率激光系统上进行的两项实验。这个项目最重要的方面是我们将形成短的飞秒级激光脉冲，其中 NIF 的激光在纳秒级进行整形。这将需要我们进行更多的模拟，我们不仅要改变目标箔厚度、激光强度和持续时间等标准参数，还要改变光谱对激光轮廓的相位贡献。”



该研究发表在《等离子体物理学》上。

原文链接：https://www.xianjichina.com/special/detail_485999.html
来源：贤集网
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。