加利福尼亚州立利热河，2021年6月3日 - 劳伦斯利弗鲁尔国家实验室（LLNL）的研究人员将神经网络应用于高强度短脉冲激光的研究等离子体加速，特别是来自固体靶标的离子加速度。在大多数情况下，神经网络用于研究数据集。在目前的工作中，LLNL团队使用它们来探索稀疏的采样参数空间作为完整仿真或实验的代理。 “这项工作主要是为了简单演示，我们如何利用机器学习技术，如神经网络来增加我们已经拥有的工具，”Llnl博士后的Djordjevic说。“诸如粒子内代码的计算上昂贵的模拟将仍然是我们工作的必要方面，但是甚至具有简单的网络，我们能够培训可以可靠地填写相位空间有趣的替代模型。” 该图像显示了作为由神经网络代理模型产生的激光脉冲持续时间和强度的最大离子能量的参数扫描。覆盖物是来自模拟集合的数据点来训练神经网络。由劳伦斯利弗莫尔国家实验室提供。 在工作中，Djordjevic能够使用EPOCH（可扩展的PIC开放协作）代码生成超过1000个细胞内模拟的集合，激光等离子体多选电离（MPI）仿真代码模拟产生了数据集在几个数量级上覆盖了广泛的实验参数，并且可以提取离子能量和电子温度等值。然后使用数据集来训练多层，完全连接的神经网络，其充当替代模型。 代理能够在几个级别上映射离子能量对激光强度和脉冲持续时间的依赖性。研究人员注意到依赖于预增级梯度长度尺度的有趣行为，它们进一步探索了更精细的技术，例如集合代理和转移学习。发现加速离子能量在欠孔预增孔的轮廓上非线性地取决于激光器在其击中主要目标之前与之相互作用的轮廓。虽然人们可以期望在相对论的等离子皮肤深度附近找到共振值，但是值得注意的是，尽管数据的稀疏性，网络能够可靠地产生结果。 最后，在概念证明中，研究人员展示了如何用于从难以直接观察的实验数据中提取重要物理信息，例如梯度长度尺度。 “使用稀疏但广泛的数据集模拟，我们能够培训一个神经网络，可靠地重现训练有素的结果，并为不合格的参数空间的未夹具区域产生了合理的信心，”Djordjevic表示。“这导致了代理模型，我们曾经迅速探索感兴趣的地区。” 根据德里克Mariscal的说法，作为Djordjevic的导师，工作概述了一种完全新的方法，以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方面看到广泛采用，这是发展高速，高精度，高能量密度科学的基本上前进。 在过去的20年中，大多数短脉冲激光实验假设交付的激光脉冲基本上是高斯形状的，但这在很大程度上是一个未经验证的假设。 “[实验室指导研发（LDRD）]项目旨在从成型的高强度激光短脉冲提供量身定制的来源，同时密切关注尽可能的激光脉冲，”他说。“我们通过建模和有限的一组实验发现，这些脉冲细节可以对所得电子和离子源产生深远的影响。” 在即时的期限内，工作的实施将使两个LLNL项目受益，这是由Mariscal领导的LDRD项目，其中大型集合将用于建模离子加速度的依赖性，并由LLNL物理学家Tammy MA引导的项目Timo Bremer在其中，这些合奏将用于训练虚拟诊断和操作控制的神经网络。 激光等离子体加速已经对惯性监禁融合使命具有重要应用，因为国家点火设施（NIF）使用相对较短的皮秒，长的激光脉冲来加速热电子，这反过来产生X射线，用于成像胶囊内爆the facility’s center. “在我们的直接未来，我们将产生一组新的模拟，支持两项实验，我们的团队将在今年夏天在高重复速率激光系统上进行攻击，”Djordjevic说。“这个项目的最重要方面是我们将会be shaping short, femtosecond-scale laser pulses, where NIF’s lasers are shaped on the nanosecond scale. This will require us to run even more simulations where we not only vary standard parameters such as target foil thickness and laser intensity and duration, but also spectral phase contributions to the laser profile.” 该研究发表在质量等离子体（www.doi.org/10.1063/5.0045449.）。