Laserdrevet ionacceleration med dyb læring

Mens fremskridt inden for maskinlæring i løbet af det sidste årti har haft betydelige konsekvenser i applikationer som billedklassificering, naturlig sprogbehandling og mønstergenkendelse, videnskabelige bestræbelser er kun lige begyndt at udnytte denne teknologi. Dette er mest bemærkelsesværdigt ved behandling af store mængder data fra eksperimenter.

Forskning udført ved Lawrence Livermore National Laboratory (LLNL) er den første til at anvende neurale netværk til studiet af høj-intensitet kort-puls laser-plasma acceleration, specifikt til ionacceleration fra faste mål. Mens de i de fleste tilfælde af neurale netværk primært bruges til at studere datasæt, i dette arbejde bruger teamet dem til at udforske sparsomt samplet parameterrum som en surrogat for en fuld simulering eller eksperiment.

Forskningen er omtalt i Physics of Plasma og fremhæves som en Editor's Pick. LLNL postdoc-udnævnt Blagoje Djordjević er hovedforfatter og medforfattere inkluderer Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma og Derek Mariscal, samt Raspberry Simpson fra Massachusetts Institute of Technology. Arbejdet blev finansieret under et Laboratory Directed Research &Development-projekt (LDRD) og et tilskud fra Department of Energy.

"Værket tjener primært som en simpel demonstration af, hvordan vi kan bruge maskinlæringsteknikker såsom neurale netværk til at udvide de værktøjer, vi allerede har, "Djordjević sagde. "Beregningsmæssigt dyre simuleringer såsom partikel-i-celle-koder vil forblive et nødvendigt aspekt af vores arbejde, men med selv et simpelt netværk er vi i stand til at træne en surrogatmodel, der pålideligt kan udfylde interessante dele af faserummet."

Djordjević genererede et ensemble på mere end 1, 000 partikel-i-celle-simuleringer ved hjælp af EPOCH-koden. Dette datasæt omfattede en lang række eksperimentelle parametre af interesse, der dækkede flere størrelsesordener. Dette datasæt, hvorfra han udtog fysiske parametre af interesse, såsom ionenergien, E _jeg og elektrontemperatur, T _e , blev derefter brugt til at træne et flerlag, fuldt tilsluttet neurale netværk.

Det trænede neurale netværk fungerede som en surrogatmodel til at udforske parameterrummet af interesse, især for at opdage funktioner. Det blev demonstreret, hvordan det neurale netværk kunne bruges til hurtigt at udforske dette rum, kortlægning af ionenergiens afhængighed af laserintensitet og pulsvarighed τ over flere størrelsesordener.

Surrogatet blev også brugt til at opdage en interessant adfærd i afhængigheden af ​​præplasmagradientlængdeskalaen Lg, og denne mængde blev yderligere udforsket ved hjælp af mere komplicerede teknikker såsom ensemblesurrogater og transferlæring. Den accelererede ionenergi afhænger ikke-lineært af profilen af ​​det undertætte præplasma, som laseren interagerer med, før den rammer hovedmålet. Mens man kunne forvente at finde en resonansværdi nær den relativistiske plasmahuddybde, det var bemærkelsesværdigt, at netværket var i stand til pålideligt at generere dette resultat på trods af sparsomheden af ​​data. Til sidst, som et bevis på konceptet, det blev vist, hvordan surrogaten kunne bruges til at udtrække vigtig fysisk information fra eksperimentelle data, som er svære at observere direkte, såsom gradientlængdeskalaen.

"Ved at bruge et sparsomt, men bredt datasæt af simuleringer, vi var i stand til at træne et neuralt netværk til pålideligt at gengive de trænede resultater samt generere resultater for ikke-samplede områder af parameterrummet med rimelig tillid, sagde Djordjević. "Dette resulterede i en surrogatmodel, som vi brugte til hurtigt at udforske områder af interesse."

Derek Mariscal, der fungerer som Djordjevićs mentor, sagde, at værket skitserer en helt ny tilgang til den måde, hvorpå fysikken i kort-puls høj-intensitet laser interaktioner studeres. Maskinlæringstilgange bliver nu bredt brugt i videnskaberne, og dette er et grundlæggende vigtigt skridt fremad i udviklingen af ​​højhastigheds-, højnøjagtig højenergitæthedsvidenskab.

Mariscal sagde, at de fleste kortpulsede lasereksperimenter gennem de sidste 20 år har antaget, at de leverede laserimpulser i det væsentlige var Gaussisk i form, men dette er stort set en uvalideret antagelse.

"LDRD-projektet er rettet mod at levere skræddersyede kilder fra formede højintensive laser-kortimpulser, mens man er meget opmærksom på laserimpulserne, som de leveres, " sagde han. "Vi har gennem modellering og et begrænset sæt eksperimenter fundet ud af, at disse pulsdetaljer kan have en dyb indvirkning på de resulterende elektron- og ionkilder."

Grundlæggende højenergi (keV-til-MeV) elektroner skubbes af laseren, der interagerer med målet, og disse elektroner kan bruges til at accelerere protoner, tunge ioner eller producere lyse røntgenkilder. Da der er et næsten uendeligt sæt af mulige laserpulsformer, der er et ekstremt bredt parameterrum at undersøge gennem enten eksperimenter eller simuleringer.

"Teknikken til at udføre simulationsparameterscanninger er ikke ny; dog, kraften ved maskinlæring ligger i at interpolere mellem de tyndt adskilte punkter, " sagde Mariscal. "Dette er en massiv besparelse i regnekraft, fordi simuleringer af denne art kan være meget dyre."

Djordjević sagde, at forskningen bekræfter tilgangen til at bruge maskinlæring til at udforske fysik af interesse ved at udnytte relativt billige simuleringsensembler til at dække så meget jord som muligt.

Arbejdet fortsætter

Umiddelbar anvendelse af arbejdet vil gavne to LLNL-projekter, et LDRD-projekt ledet af Mariscal, hvor store ensembler vil blive brugt til at modellere ionaccelerationens afhængighed af formede laserimpulser, og et projekt ledet af LLNL fysikerne Tammy Ma og Timo Bremer, hvor disse ensembler vil blive brugt til at træne neurale netværk til virtuel diagnostik og operationskontrol.

Laser-plasmaacceleration har allerede en vigtig anvendelse for inerti-indeslutningsfusionsmissionen, da National Ignition Facility (NIF) bruger relativt korte, picosekunder lange laserimpulser for at accelerere varme elektroner, som igen genererer røntgenstråler til billeddannelse af kapselimplosionen i centrum af NIF.

"I vores umiddelbare fremtid vil vi generere et nyt sæt simuleringer for at understøtte to eksperimenter, som vores team vil afholde denne sommer på lasersystemer med høj gentagelseshastighed, " Djordjević sagde. "Det vigtigste aspekt af dette projekt er, at vi vil forme kort, femtosekund-skala laserimpulser, hvor NIFs lasere er formet på nanosekundskalaen. Dette vil kræve, at vi kører endnu flere simuleringer, hvor vi ikke kun varierer standardparametre såsom målfolietykkelse og laserintensitet og varighed, men også spektrale fasebidrag til laserprofilen."