Si bien los avances en el aprendizaje automático durante la última década han tenido un impacto significativo en aplicaciones como la clasificación de imágenes, procesamiento del lenguaje natural y reconocimiento de patrones, Los esfuerzos científicos apenas han comenzado a aprovechar esta tecnología. Esto es más notable en el procesamiento de grandes cantidades de datos de experimentos.

La investigación realizada en el Laboratorio Nacional Lawrence Livermore (LLNL) es la primera en aplicar redes neuronales al estudio de la aceleración de plasma-láser de pulso corto de alta intensidad, específicamente para la aceleración de iones de objetivos sólidos. Si bien en la mayoría de los casos de redes neuronales se utilizan principalmente para estudiar conjuntos de datos, en este trabajo, el equipo los utiliza para explorar un espacio de parámetros escasamente muestreado como sustituto de una simulación o experimento completo.

La investigación aparece en Physics of Plasma y se destaca como una selección del editor. Blagoje Djordjević, designado postdoctoral de LLNL, es el autor principal y los coautores incluyen a Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma y Derek Mariscal, así como Raspberry Simpson del Instituto de Tecnología de Massachusetts. El trabajo fue financiado por un proyecto de Investigación y Desarrollo Dirigido por Laboratorio (LDRD) y una subvención del Departamento de Energía.

"El trabajo sirve principalmente como una demostración simple de cómo podemos usar técnicas de aprendizaje automático, como las redes neuronales, para aumentar las herramientas que ya tenemos. ", Dijo Djordjević." Las simulaciones computacionalmente costosas, como los códigos de partículas en la celda, seguirán siendo un aspecto necesario de nuestro trabajo, pero incluso con una red simple podemos entrenar un modelo sustituto que puede llenar de manera confiable franjas interesantes de espacio de fase ".

Djordjević generó un conjunto de más de 1, 000 simulaciones de partículas en celda utilizando el código EPOCH. Este conjunto de datos abarcó una amplia gama de parámetros experimentales de interés que cubrieron varios órdenes de magnitud. Este conjunto de datos, del cual extrajo parámetros físicos de interés como la energía iónica, mi _I y temperatura de los electrones, T _mi , luego se usó para entrenar una multicapa, red neuronal totalmente conectada.

La red neuronal entrenada actuó como un modelo sustituto para explorar el espacio de parámetros de interés, en particular para el descubrimiento de características. Se demostró cómo se podría utilizar la red neuronal para explorar rápidamente este espacio, cartografiar la dependencia de la energía iónica sobre la intensidad del láser y la duración del pulso τ en varios órdenes de magnitud.

El sustituto también se utilizó para descubrir un comportamiento interesante en la dependencia de la escala de longitud del gradiente de preplasma Lg y esta cantidad se exploró más a fondo utilizando técnicas más elaboradas como sustitutos de conjunto y aprendizaje por transferencia. La energía iónica acelerada depende de forma no lineal del perfil del preplasma subdenso con el que interactúa el láser antes de alcanzar el objetivo principal. Si bien uno podría esperar encontrar un valor de resonancia cerca de la profundidad de la piel del plasma relativista, Fue notable que la red pudo generar este resultado de manera confiable a pesar de la escasez de datos. Finalmente, como prueba de concepto, Se mostró cómo el sustituto podría usarse para extraer información física importante de datos experimentales que es difícil de observar directamente. como la escala de longitud de gradiente.

"Con un conjunto de datos escaso pero amplio de simulaciones, pudimos entrenar una red neuronal para reproducir de manera confiable los resultados entrenados, así como generar resultados para regiones sin muestrear del espacio de parámetros con una confianza razonable, Dijo Djordjević. "Esto resultó en un modelo sustituto, que utilizamos para explorar rápidamente regiones de interés ".

Derek Mariscal, quien sirve como mentor de Djordjević, dijo que el trabajo describe un enfoque completamente nuevo sobre la forma en que se estudia la física de las interacciones láser de alta intensidad de pulso corto. Los enfoques de aprendizaje automático ahora se están adoptando ampliamente en las ciencias y este es un paso fundamentalmente importante hacia adelante en el desarrollo de alta velocidad, ciencia de alta precisión y densidad de alta energía.

Mariscal dijo que la mayoría de los experimentos con láser de pulso corto en los últimos 20 años han asumido que los pulsos de láser entregados eran esencialmente de forma gaussiana. pero esto es en gran parte una suposición no validada.

"El proyecto LDRD tiene como objetivo proporcionar fuentes personalizadas a partir de pulsos cortos de láser de alta intensidad con forma y, al mismo tiempo, prestar mucha atención a los pulsos de láser que se entregan, ", dijo." Hemos descubierto a través de modelos y un conjunto limitado de experimentos que estos detalles de pulso pueden tener un impacto profundo en las fuentes de iones y electrones resultantes ".

Fundamentalmente, electrones de alta energía (keV a MeV) son empujados por el láser que interactúa con el objetivo, y estos electrones se pueden utilizar para acelerar protones, iones pesados ​​o producen fuentes de rayos X brillantes. Dado que existe un conjunto casi infinito de posibles formas de pulso láser, Existe un espacio de parámetros extremadamente amplio para examinar a través de experimentos o simulaciones.

"La técnica de realizar análisis de parámetros de simulación no es nueva; sin embargo, el poder del aprendizaje automático está en la interpolación entre los puntos escasamente espaciados, ", Dijo Mariscal." Este es un ahorro masivo en el poder de cálculo porque las simulaciones de esta naturaleza pueden ser muy costosas ".

Djordjević dijo que la investigación verifica el enfoque del uso del aprendizaje automático para explorar la física de interés al aprovechar conjuntos de simulación de costo relativamente bajo para cubrir la mayor cantidad de terreno posible.

El trabajo continúa

La aplicación inmediata del trabajo beneficiará a dos proyectos LLNL, un proyecto LDRD liderado por Mariscal, donde se utilizarán grandes conjuntos para modelar la dependencia de la aceleración de iones en pulsos de láser conformados, y un proyecto dirigido por los físicos de LLNL Tammy Ma y Timo Bremer, donde estos conjuntos se utilizarán para entrenar redes neuronales para el diagnóstico virtual y el control de operaciones.

La aceleración láser-plasma ya tiene una aplicación importante para la misión de fusión por confinamiento inercial, ya que la Instalación Nacional de Ignición (NIF) utiliza relativamente cortos, pulsos láser de picosegundos de duración para acelerar electrones calientes, que a su vez generan rayos X para obtener imágenes de la implosión de la cápsula en el centro de NIF.

"En nuestro futuro inmediato, generaremos un nuevo conjunto de simulaciones para respaldar dos experimentos que nuestro equipo realizará este verano en sistemas láser de alta tasa de repetición, "Dijo Djordjević." El aspecto más importante de este proyecto es que vamos a dar forma a corto, pulsos de láser a escala de femtosegundos, donde los láseres de NIF se forman en la escala de nanosegundos. Esto requerirá que ejecutemos aún más simulaciones en las que no solo variamos los parámetros estándar, como el grosor de la lámina objetivo y la intensidad y duración del láser, sino también contribuciones de fase espectral al perfil del láser ".