Mentre i progressi nell'apprendimento automatico negli ultimi dieci anni hanno avuto un impatto significativo in applicazioni come la classificazione delle immagini, elaborazione del linguaggio naturale e riconoscimento di modelli, gli sforzi scientifici hanno appena iniziato a sfruttare questa tecnologia. Ciò è particolarmente evidente nell'elaborazione di grandi quantità di dati provenienti da esperimenti.

La ricerca condotta presso il Lawrence Livermore National Laboratory (LLNL) è la prima ad applicare le reti neurali allo studio dell'accelerazione laser-plasma a impulsi brevi ad alta intensità, specifico per l'accelerazione ionica da bersagli solidi. Mentre nella maggior parte dei casi di reti neurali vengono utilizzate principalmente per studiare set di dati, in questo lavoro il team li usa per esplorare lo spazio dei parametri scarsamente campionato come surrogato per una simulazione o un esperimento completo.

La ricerca è presente in Physics of Plasma ed è evidenziata come Editor's Pick. Blagoje Djordjević, nominato post-dottorato del LLNL, è l'autore principale e i coautori includono Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma e Derek Mariscal, così come Raspberry Simpson del Massachusetts Institute of Technology. Il lavoro è stato finanziato nell'ambito di un progetto di ricerca e sviluppo diretto da un laboratorio (LDRD) e di una sovvenzione del Dipartimento dell'energia.

"Il lavoro serve principalmente come semplice dimostrazione di come possiamo utilizzare tecniche di apprendimento automatico come le reti neurali per aumentare gli strumenti che già abbiamo, " Ha detto Djordjević. "Le simulazioni computazionalmente costose come i codici particella-in-cella rimarranno un aspetto necessario del nostro lavoro, ma anche con una semplice rete siamo in grado di addestrare un modello surrogato in grado di riempire in modo affidabile aree interessanti dello spazio delle fasi".

Djordjević ha generato un insieme di più di 1, 000 simulazioni particella in cella utilizzando il codice EPOCH. Questo set di dati comprendeva un'ampia gamma di parametri sperimentali di interesse che coprivano diversi ordini di grandezza. Questo insieme di dati, da cui ha estratto parametri fisici di interesse come l'energia ionica, E _io e temperatura elettronica, T _e , è stato poi utilizzato per addestrare un multistrato, rete neurale completamente connessa.

La rete neurale addestrata ha agito come modello surrogato per esplorare lo spazio dei parametri di interesse, in particolare per la scoperta di funzionalità. È stato dimostrato come la rete neurale potrebbe essere utilizzata per esplorare rapidamente questo spazio, mappare la dipendenza dell'energia ionica dall'intensità del laser e dalla durata dell'impulso su diversi ordini di grandezza.

Il surrogato è stato utilizzato anche per scoprire un comportamento interessante nella dipendenza dalla scala di lunghezza del gradiente del preplasma Lg e questa quantità è stata ulteriormente esplorata utilizzando tecniche più elaborate come i surrogati di insieme e l'apprendimento di trasferimento. L'energia ionica accelerata dipende in modo non lineare dal profilo del preplasma sottodenso con cui il laser interagisce prima che colpisca il bersaglio principale. Mentre ci si potrebbe aspettare di trovare un valore di risonanza vicino alla profondità della pelle relativistica del plasma, è stato degno di nota il fatto che la rete sia stata in grado di generare in modo affidabile questo risultato nonostante la scarsità di dati. Infine, come prova del concetto, è stato mostrato come il surrogato potrebbe essere utilizzato per estrarre importanti informazioni fisiche da dati sperimentali difficili da osservare direttamente, come la scala della lunghezza del gradiente.

"Utilizzando un insieme di dati sparso ma ampio di simulazioni, siamo stati in grado di addestrare una rete neurale per riprodurre in modo affidabile i risultati addestrati e generare risultati per regioni non campionate dello spazio dei parametri con ragionevole sicurezza, ha detto Djordjevic. "Ciò ha portato a un modello surrogato, che abbiamo usato per esplorare rapidamente le regioni di interesse."

Derek Mariscal, che funge da mentore di Djordjević, ha affermato che il lavoro delinea un approccio completamente nuovo al modo in cui viene studiata la fisica delle interazioni laser ad alta intensità a breve impulso. Gli approcci di apprendimento automatico sono ora ampiamente adottati nelle scienze e questo è un passo avanti di fondamentale importanza nello sviluppo ad alta velocità, scienza ad alta precisione ad alta densità di energia.

Mariscal ha affermato che la maggior parte degli esperimenti laser a impulsi brevi negli ultimi 20 anni hanno ipotizzato che gli impulsi laser erogati fossero essenzialmente di forma gaussiana, ma questa è in gran parte un'ipotesi non convalidata.

"Il progetto LDRD mira a fornire sorgenti su misura da brevi impulsi laser sagomati ad alta intensità prestando molta attenzione agli impulsi laser consegnati, " ha detto. "Abbiamo scoperto attraverso la modellazione e una serie limitata di esperimenti che questi dettagli di impulso possono avere un profondo impatto sulle sorgenti di elettroni e ioni risultanti".

Fondamentalmente, gli elettroni ad alta energia (keV-to-MeV) sono spinti dal laser che interagisce con il bersaglio, e questi elettroni possono essere usati per accelerare i protoni, ioni pesanti o producono sorgenti luminose di raggi X. Poiché esiste un insieme quasi infinito di possibili forme di impulsi laser, c'è uno spazio di parametri estremamente ampio da esaminare attraverso esperimenti o simulazioni.

"La tecnica per eseguire le scansioni dei parametri di simulazione non è nuova; tuttavia, il potere dell'apprendimento automatico sta nell'interpolazione tra i punti scarsamente distanziati, " Mariscal ha detto. "Questo è un enorme risparmio di potenza di calcolo perché le simulazioni di questa natura possono essere molto costose".

Djordjević ha affermato che la ricerca verifica l'approccio dell'utilizzo dell'apprendimento automatico per esplorare la fisica di interesse sfruttando insiemi di simulazione relativamente a basso costo per coprire quanto più terreno possibile.

Il lavoro continua

L'applicazione immediata del lavoro andrà a beneficio di due progetti LLNL, un progetto LDRD guidato da Mariscal, dove verranno utilizzati grandi insiemi per modellare la dipendenza dell'accelerazione ionica da impulsi laser sagomati, e un progetto guidato dai fisici dell'LLNL Tammy Ma e Timo Bremer in cui questi insiemi verranno utilizzati per addestrare le reti neurali per la diagnostica virtuale e il controllo delle operazioni.

L'accelerazione laser-plasma ha già un'importante applicazione per la missione di fusione a confinamento inerziale poiché il National Ignition Facility (NIF) utilizza tempi relativamente brevi, impulsi laser della durata di picosecondi per accelerare gli elettroni caldi, che a loro volta generano raggi X per l'imaging dell'implosione della capsula al centro del NIF.

"Nel nostro immediato futuro genereremo una nuova serie di simulazioni per supportare due esperimenti che il nostro team metterà in campo quest'estate su sistemi laser ad alto tasso di ripetizione, " Ha detto Djordjević. "L'aspetto più importante di questo progetto è che daremo una forma breve, impulsi laser a scala di femtosecondi, dove i laser di NIF sono modellati sulla scala dei nanosecondi. Ciò ci richiederà di eseguire ancora più simulazioni in cui non solo variamo parametri standard come lo spessore del foglio target e l'intensità e la durata del laser, ma anche contributi di fase spettrale al profilo laser."