Cette image montre un balayage des paramètres de l’énergie ionique maximale en fonction de la durée et de l’intensité de l’impulsion laser générée par un modèle de substitution de réseau neuronal. Des points de données de l’ensemble de simulation sont superposés pour entraîner le réseau de neurones. Crédit : Laboratoire national Lawrence Livermore
Alors que les progrès de l’apprentissage automatique au cours de la dernière décennie ont eu des impacts significatifs dans des applications telles que la classification d’images, le traitement du langage naturel et la reconnaissance de formes, les efforts scientifiques ne font que commencer à tirer parti de cette technologie. Ceci est particulièrement notable dans le traitement de grandes quantités de données provenant d’expériences.
Les recherches menées au Lawrence Livermore National Laboratory (LLNL) sont les premières à appliquer les réseaux de neurones à l’étude des lasers à impulsions courtes de haute intensité.plasma l’accélération, en particulier pour l’accélération des ions à partir de cibles solides. Alors que dans la plupart des cas de réseaux de neurones, ils sont principalement utilisés pour étudier des ensembles de données, dans ce travail, l’équipe les utilise pour explorer un espace de paramètres faiblement échantillonné en tant que substitut d’une simulation ou d’une expérience complète.
La recherche est présentée dans Physique du plasma et est mis en évidence en tant que choix de l’éditeur. Blagoje Djordjević, candidat postdoctoral au LLNL, est l’auteur principal et les co-auteurs incluent Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma et Derek Mariscal, ainsi que Raspberry Simpson du Massachusetts Institute of Technology. Le travail a été financé dans le cadre d’un projet de recherche et développement dirigé par un laboratoire (LDRD) et d’une subvention du ministère de l’Énergie.
“Le travail sert principalement de simple démonstration de la façon dont nous pouvons utiliser des techniques d’apprentissage automatique telles que les réseaux de neurones pour augmenter les outils dont nous disposons déjà”, a déclaré Djordjević. “Les simulations coûteuses en calcul telles que les codes de particules dans la cellule resteront un aspect nécessaire de notre travail, mais avec même un simple réseau, nous sommes en mesure de former un modèle de substitution qui peut remplir de manière fiable des bandes intéressantes d’espace de phase.”
Données extraites de l’ensemble de simulation pour entraîner le réseau de neurones. Les diagrammes d’espace de phase pour (a) les électrons et (b) les deutérons à 500 fs ainsi que les spectres d’énergie correspondants en (c) et (d) sont montrés. En particulier, nous nous sommes concentrés sur deux scalaires comme figures de mérite, l’énergie ionique maximale Ei encerclée en (b) et la température des électrons chauds Te montrée en (c). Crédit : Laboratoire national Lawrence Livermore
Djordjević a généré un ensemble de plus de 1 000 simulations de particules dans les cellules à l’aide du code EPOCH. Cet ensemble de données englobait un large éventail de paramètres expérimentaux d’intérêt qui couvraient plusieurs ordres de grandeur. Cet ensemble de données, à partir duquel il a extrait des paramètres physiques d’intérêt tels que l’énergie des ions, Eje et la température électronique, Te, a ensuite été utilisé pour entraîner un réseau de neurones multicouche entièrement connecté.
Le réseau de neurones entraîné a agi comme un modèle de substitution pour explorer l’espace des paramètres d’intérêt, en particulier pour la découverte de caractéristiques. Il a été démontré comment le réseau neuronal pouvait être utilisé pour explorer rapidement cet espace, en cartographiant la dépendance de l’énergie ionique sur l’intensité du laser et la durée d’impulsion τ sur plusieurs ordres de grandeur.
Le substitut a également été utilisé pour découvrir un comportement intéressant dans la dépendance à l’échelle de longueur du gradient de préplasma Lg et cette quantité a été explorée plus avant en utilisant des techniques plus élaborées telles que les substituts d’ensemble et l’apprentissage par transfert. L’énergie ionique accélérée dépend de manière non linéaire du profil du préplasma sous-dense avec lequel le laser interagit avant d’atteindre la cible principale. Bien que l’on puisse s’attendre à trouver une valeur de résonance proche de la profondeur de peau du plasma relativiste, il est à noter que le réseau a pu générer ce résultat de manière fiable malgré la rareté des données. Enfin, en guise de preuve de concept, il a été montré comment le substitut pouvait être utilisé pour extraire des informations physiques importantes à partir de données expérimentales difficiles à observer directement, telles que l’échelle de longueur du gradient.
« En utilisant un ensemble de données de simulations clairsemé mais large, nous avons pu former un réseau de neurones pour reproduire de manière fiable les résultats formés ainsi que générer des résultats pour les régions non échantillonnées de l’espace des paramètres avec une confiance raisonnable, a déclaré Djordjević. “Cela a abouti à un modèle de substitution, que nous avons utilisé pour explorer rapidement les régions d’intérêt.”
Derek Mariscal, qui sert de mentor à Djordjević, a déclaré que le travail décrit une approche complètement nouvelle de la manière dont la physique des interactions laser à haute intensité à impulsion courte est étudiée. Les approches d’apprentissage automatique sont maintenant largement adoptées dans les sciences et il s’agit d’un pas en avant fondamental dans le développement d’uneprécision science des hautes densités énergétiques.
Mariscal a déclaré que la plupart des expériences laser à impulsions courtes au cours des 20 dernières années ont supposé que les impulsions laser délivrées étaient essentiellement de forme gaussienne, mais il s’agit en grande partie d’une hypothèse non validée.
“Le projet LDRD vise à fournir des sources sur mesure à partir d’impulsions laser de haute intensité façonnées tout en accordant une attention particulière aux impulsions laser telles que livrées”, a-t-il déclaré. “Nous avons découvert grâce à la modélisation et à un ensemble limité d’expériences que ces détails d’impulsions peuvent avoir un impact profond sur les sources d’électrons et d’ions résultantes.”
Fondamentalement, les électrons de haute énergie (keV à MeV) sont poussés par le laser interagissant avec la cible, et ces électrons peuvent être utilisés pour accélérer des protons, des ions lourds ou produire des sources de rayons X brillantes. Comme il existe un ensemble presque infini de formes d’impulsions laser possibles, il existe un espace de paramètres extrêmement large à examiner par le biais d’expériences ou de simulations.
« La technique consistant à effectuer des analyses de paramètres de simulation n’est pas nouvelle ; Cependant, la puissance de l’apprentissage automatique réside dans l’interpolation entre les points peu espacés », a déclaré Mariscal. « Il s’agit d’une économie massive de puissance de calcul, car les simulations de cette nature peuvent être très coûteuses. »
Djordjević a déclaré que la recherche vérifie l’approche consistant à utiliser l’apprentissage automatique pour explorer la physique d’intérêt en tirant parti d’ensembles de simulation relativement peu coûteux pour couvrir autant de terrain que possible.
Le travail continue
L’application immédiate des travaux bénéficiera à deux projets LLNL, un projet LDRD dirigé par Mariscal, où de grands ensembles seront utilisés pour modéliser la dépendance de l’accélération des ions sur des impulsions laser en forme, et un projet dirigé par les physiciens LLNL Tammy Ma et Timo Bremer où ces des ensembles seront utilisés pour former des réseaux de neurones au diagnostic virtuel et au contrôle des opérations.
L’accélération laser-plasma a déjà une application importante pour la mission de fusion par confinement inertiel, car le National Ignition Facility (NIF) utilise des impulsions laser relativement courtes et longues de la picoseconde pour accélérer les électrons chauds, qui à leur tour génèrent des rayons X pour imager l’implosion de la capsule à le centre du FNI.
« Dans notre avenir immédiat, nous générerons un nouvel ensemble de simulations pour soutenir deux expériences que notre équipe réalisera cet été sur des systèmes laser à taux de répétition élevé », a déclaré Djordjević. « L’aspect le plus important de ce projet est que nous allons façonner de courtes impulsions laser à l’échelle de la femtoseconde, là où les lasers du NIF sont façonnés à l’échelle de la nanoseconde. Cela nous obligera à exécuter encore plus de simulations où nous modifions non seulement les paramètres standard tels que l’épaisseur de la feuille cible et l’intensité et la durée du laser, mais également les contributions de la phase spectrale au profil laser. »
Référence : « Modélisation de l’accélération ionique pilotée par laser avec apprentissage en profondeur » par BZ Djordjević, AJ Kemp, J. Kim, RA Simpson, SC Wilks, T. Ma et DA Mariscal, 29 avril 2021, Physique des plasmas.
DOI : 10.1063/5.0045449
