Medan framsteg inom maskininlärning under det senaste decenniet har haft betydande effekter i applikationer som bildklassificering, naturlig språkbehandling och mönsterigenkänning, vetenskapliga strävanden har bara börjat dra nytta av denna teknik. Detta är mest anmärkningsvärt vid bearbetning av stora mängder data från experiment.

Forskning utförd vid Lawrence Livermore National Laboratory (LLNL) är den första som tillämpar neurala nätverk för studier av högintensiv kortpuls laser-plasmaacceleration, speciellt för jonacceleration från fasta mål. Även om de i de flesta fall av neurala nätverk används främst för att studera datamängder, i detta arbete använder teamet dem för att utforska sparsamt samplade parameterutrymme som ett surrogat för en fullständig simulering eller experiment.

Forskningen presenteras i Physics of Plasma och lyfts fram som en redaktörs val. LLNL postdoktorn Blagoje Djordjević är huvudförfattare och medförfattare inkluderar Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma och Derek Mariscal, samt Raspberry Simpson från Massachusetts Institute of Technology. Arbetet finansierades under ett Laboratory Directed Research &Development-projekt (LDRD) och ett anslag från Department of Energy.

"Arbetet fungerar främst som en enkel demonstration av hur vi kan använda maskininlärningstekniker som neurala nätverk för att utöka de verktyg vi redan har, " Djordjević sa. "Beräkningsmässigt dyra simuleringar som partikel-i-cell-koder kommer att förbli en nödvändig aspekt av vårt arbete, men med även ett enkelt nätverk kan vi träna en surrogatmodell som på ett tillförlitligt sätt kan fylla ut intressanta delar av fasutrymme."

Djordjević genererade en ensemble på mer än 1, 000 partikel-i-cell-simuleringar med EPOCH-koden. Denna datauppsättning omfattade ett brett spektrum av experimentella parametrar av intresse som täckte flera storleksordningar. Denna datauppsättning, från vilken han extraherade fysiska parametrar av intresse såsom jonenergin, E _i och elektrontemperatur, T _e , användes sedan för att träna ett flerskikt, fullt anslutet neurala nätverk.

Det tränade neurala nätverket fungerade som en surrogatmodell för att utforska parameterutrymmet av intresse, särskilt för att upptäcka funktioner. Det visades hur det neurala nätverket kunde användas för att snabbt utforska detta utrymme, kartläggning av jonenergins beroende av laserintensitet och pulslängd τ över flera storleksordningar.

Surrogatet användes också för att upptäcka ett intressant beteende i beroendet av preplasmagradientlängdskala Lg och denna kvantitet undersöktes ytterligare med mer utarbetade tekniker som ensemblesurrogat och transferinlärning. Den accelererade jonenergin beror olinjärt på profilen för den underdensa preplasman som lasern interagerar med innan den träffar huvudmålet. Även om man kunde förvänta sig att hitta ett resonansvärde nära det relativistiska plasmahuddjupet, det var anmärkningsvärt att nätverket på ett tillförlitligt sätt kunde generera detta resultat trots sparsamheten med data. Slutligen, som ett bevis på konceptet, det visades hur surrogatet kunde användas för att extrahera viktig fysisk information från experimentella data som är svåra att observera direkt, såsom gradientlängdskalan.

"Med hjälp av en gles men bred datauppsättning av simuleringar, vi kunde träna ett neuralt nätverk för att tillförlitligt reproducera de tränade resultaten samt generera resultat för osamplade regioner av parameterutrymme med rimligt tillförsikt, sa Djordjević. "Detta resulterade i en surrogatmodell, som vi använde för att snabbt utforska intressanta regioner."

Derek Mariscal, som fungerar som Djordjevićs mentor, sade arbetet skisserar ett helt nytt tillvägagångssätt för hur fysiken för kortpulsade högintensiva laserinteraktioner studeras. Tillvägagångssätt för maskininlärning används nu i stor utsträckning inom vetenskaperna och detta är ett fundamentalt viktigt steg framåt för att utveckla höghastighets-, hög precision högenergidensitetsvetenskap.

Mariscal sa att de flesta kortpulsade laserexperiment under de senaste 20 åren har antagit att de levererade laserpulserna i huvudsak var Gaussiska till formen, men detta är till stor del ett ogiltigt antagande.

"LDRD-projektet syftar till att leverera skräddarsydda källor från formade högintensiva korta laserpulser samtidigt som man ägnar stor uppmärksamhet åt de levererade laserpulserna, ", sa han. "Vi har funnit genom modellering och en begränsad uppsättning experiment att dessa pulsdetaljer kan ha en djupgående inverkan på de resulterande elektron- och jonkällorna."

I grunden högenergielektroner (keV-till-MeV) trycks av lasern som interagerar med målet, och dessa elektroner kan användas för att accelerera protoner, tunga joner eller producera ljusa röntgenkällor. Eftersom det finns en nästan oändlig uppsättning möjliga laserpulsformer, det finns ett extremt brett parameterutrymme att undersöka genom antingen experiment eller simuleringar.

"Tekniken att utföra simuleringsparameterskanningar är inte ny, men kraften i maskininlärning ligger i att interpolera mellan de glest åtskilda punkterna, Mariscal sa. "Detta är en enorm besparing i beräkningskraft eftersom simuleringar av denna karaktär kan vara mycket dyra."

Djordjević sa att forskningen verifierar metoden att använda maskininlärning för att utforska fysik av intresse genom att utnyttja relativt billiga simuleringsensembler för att täcka så mycket mark som möjligt.

Arbetet fortsätter

Omedelbar tillämpning av arbetet kommer att gynna två LLNL-projekt, ett LDRD-projekt som leds av Mariscal, där stora ensembler kommer att användas för att modellera beroendet av jonacceleration på formade laserpulser, och ett projekt som leds av LLNL-fysikerna Tammy Ma och Timo Bremer där dessa ensembler kommer att användas för att träna neurala nätverk för virtuell diagnostik och operationskontroll.

Laser-plasmaacceleration har redan en viktig tillämpning för tröghetsinneslutningsfusionsuppdraget eftersom National Ignition Facility (NIF) använder relativt kort, pikosekund långa laserpulser för att accelerera heta elektroner, som i sin tur genererar röntgenstrålar för att avbilda kapselimplosionen i mitten av NIF.

"Inom vår omedelbara framtid kommer vi att generera en ny uppsättning simuleringar för att stödja två experiment som vårt team kommer att genomföra i sommar på lasersystem med hög upprepningshastighet, " Djordjević sa. "Den viktigaste aspekten av detta projekt är att vi kommer att forma kort, femtosekundskalas laserpulser, där NIF:s lasrar formas på nanosekundskalan. Detta kommer att kräva att vi kör ännu fler simuleringar där vi inte bara varierar standardparametrar som målfolietjocklek och laserintensitet och varaktighet, men också spektrala fasbidrag till laserprofilen."