Hoewel de vooruitgang op het gebied van machine learning in het afgelopen decennium aanzienlijke gevolgen heeft gehad voor toepassingen zoals beeldclassificatie, natuurlijke taalverwerking en patroonherkenning, wetenschappelijke inspanningen zijn nog maar net begonnen om deze technologie te benutten. Dit is het meest opvallend bij het verwerken van grote hoeveelheden gegevens uit experimenten.

Onderzoek uitgevoerd aan het Lawrence Livermore National Laboratory (LLNL) is het eerste dat neurale netwerken toepast op de studie van korte-puls laser-plasmaversnelling met hoge intensiteit, specifiek voor ionenversnelling van vaste doelen. Hoewel ze in de meeste gevallen van neurale netwerken voornamelijk worden gebruikt voor het bestuderen van datasets, in dit werk gebruikt het team ze om schaars gesamplede parameterruimte te verkennen als een surrogaat voor een volledige simulatie of experiment.

Het onderzoek is te zien in Physics of Plasma en wordt gemarkeerd als een keuze van de redactie. LLNL postdoctoraal aangestelde Blagoje Djordjević is hoofdauteur en co-auteurs zijn onder andere Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma en Derek Mariscal, evenals Raspberry Simpson van het Massachusetts Institute of Technology. Het werk werd gefinancierd in het kader van een Laboratory Directed Research &Development (LDRD)-project en een subsidie ​​van het Department of Energy.

"Het werk dient voornamelijk als een eenvoudige demonstratie van hoe we machine learning-technieken zoals neurale netwerken kunnen gebruiken om de tools die we al hebben te vergroten, Djordjević zei. "Computationeel dure simulaties zoals deeltje-in-cel codes zullen een noodzakelijk aspect van ons werk blijven, maar met zelfs een eenvoudig netwerk zijn we in staat om een ​​surrogaatmodel te trainen dat op betrouwbare wijze interessante delen van de faseruimte kan vullen."

Djordjević genereerde een ensemble van meer dan 1, 000 deeltjes-in-cel-simulaties met behulp van de EPOCH-code. Deze dataset omvatte een breed scala aan experimentele parameters van belang die verschillende ordes van grootte besloegen. Deze gegevensset, waaruit hij fysieke parameters van belang zoals de ionenenergie, E _l en elektronentemperatuur, t _e , werd vervolgens gebruikt om een ​​meerlaags, volledig verbonden neuraal netwerk.

Het getrainde neurale netwerk fungeerde als een surrogaatmodel om de parameterruimte van belang te verkennen, in het bijzonder voor het ontdekken van functies. Er werd gedemonstreerd hoe het neurale netwerk kan worden gebruikt om deze ruimte snel te verkennen, het in kaart brengen van de afhankelijkheid van ionenenergie van laserintensiteit en pulsduur τ over verschillende ordes van grootte.

Het surrogaat werd ook gebruikt om een ​​interessant gedrag te ontdekken in de afhankelijkheid van de preplasma-gradiëntlengteschaal Lg en deze hoeveelheid werd verder onderzocht met behulp van meer uitgebreide technieken zoals ensemble-surrogaten en transfer learning. De versnelde ionenenergie hangt niet-lineair af van het profiel van het onderdense preplasma waarmee de laser interageert voordat deze het hoofddoel raakt. Hoewel men een resonantiewaarde zou kunnen verwachten in de buurt van de relativistische plasmahuiddiepte, het was opmerkelijk dat het netwerk dit resultaat betrouwbaar kon genereren ondanks de schaarste aan gegevens. als laatste, als proof-of-concept, er werd getoond hoe het surrogaat kan worden gebruikt om belangrijke fysieke informatie te extraheren uit experimentele gegevens die moeilijk direct waar te nemen zijn, zoals de gradiëntlengteschaal.

"Met behulp van een schaarse maar brede dataset van simulaties, we waren in staat om een ​​neuraal netwerk te trainen om de getrainde resultaten betrouwbaar te reproduceren en om met redelijk vertrouwen resultaten te genereren voor niet-bemonsterde regio's van parameterruimte, zei Djordjević. "Dit resulteerde in een surrogaatmodel, die we gebruikten om snel interessante regio's te verkennen."

Dirk Mariscal, die fungeert als de mentor van Djordjević, zei dat het werk een volledig nieuwe benadering schetst van de manier waarop de fysica van korte-pulse hoge intensiteit laserinteracties wordt bestudeerd. Benaderingen voor machinaal leren worden nu op grote schaal toegepast in de wetenschappen en dit is een fundamenteel belangrijke stap voorwaarts in de ontwikkeling van snelle, hoge nauwkeurigheid hoge energiedichtheid wetenschap.

Mariscal zei dat de meeste laserexperimenten met korte puls van de afgelopen 20 jaar hebben aangenomen dat de geleverde laserpulsen in wezen Gaussiaans van vorm waren, maar dit is grotendeels een niet-gevalideerde veronderstelling.

"Het LDRD-project is gericht op het leveren van op maat gemaakte bronnen van gevormde korte laserpulsen met hoge intensiteit, terwijl veel aandacht wordt besteed aan de zoals afgeleverde laserpulsen, " zei hij. "We hebben door middel van modellering en een beperkte reeks experimenten ontdekt dat deze pulsdetails een diepgaande invloed kunnen hebben op de resulterende elektronen- en ionenbronnen."

Fundamenteel, hoge energie (keV-naar-MeV) elektronen worden geduwd door de laser die in wisselwerking staat met het doelwit, en deze elektronen kunnen worden gebruikt om protonen te versnellen, zware ionen of produceren heldere röntgenbronnen. Aangezien er een bijna oneindige reeks mogelijke laserpulsvormen is, er is een extreem brede parameterruimte om te onderzoeken door middel van experimenten of simulaties.

"De techniek om simulatieparameterscans uit te voeren is niet nieuw; de kracht van machine learning ligt in het interpoleren tussen de spaarzaam uit elkaar geplaatste punten, "Zei Mariscal. "Dit is een enorme besparing in rekenkracht, omdat simulaties van deze aard erg duur kunnen zijn."

Djordjević zei dat het onderzoek de benadering verifieert van het gebruik van machine learning om de fysica van belang te verkennen door gebruik te maken van relatief goedkope simulatie-ensembles om zoveel mogelijk terrein te bestrijken.

Het werk gaat door

Onmiddellijke toepassing van het werk komt ten goede aan twee LLNL-projecten, een LDRD-project onder leiding van Mariscal, waar grote ensembles zullen worden gebruikt om de afhankelijkheid van ionenversnelling van gevormde laserpulsen te modelleren, en een project onder leiding van LLNL-fysici Tammy Ma en Timo Bremer, waarbij deze ensembles zullen worden gebruikt om neurale netwerken te trainen voor virtuele diagnostiek en operationele controle.

Laser-plasmaversnelling heeft al een belangrijke toepassing voor de inertiële opsluitingsfusiemissie, aangezien de National Ignition Facility (NIF) relatief korte, picoseconde lange laserpulsen om hete elektronen te versnellen, die op hun beurt röntgenstralen genereren voor het afbeelden van de capsule-implosie in het midden van NIF.

"In onze nabije toekomst zullen we een nieuwe reeks simulaties genereren ter ondersteuning van twee experimenten die ons team deze zomer zal uitvoeren op lasersystemen met hoge herhalingssnelheid, " zei Djordjević. "Het belangrijkste aspect van dit project is dat we korte, femtoseconde-schaal laserpulsen, waar de lasers van NIF zijn gevormd op de nanosecondeschaal. Dit vereist dat we nog meer simulaties uitvoeren waarbij we niet alleen standaardparameters variëren, zoals de dikte van de doelfolie en de intensiteit en duur van de laser, maar ook spectrale fasebijdragen aan het laserprofiel."