深層学習によるレーザー駆動イオン加速
過去 10 年間の機械学習の進歩は、画像分類、自然言語処理、パターン認識などのアプリケーションに大きな影響を与えてきましたが、科学的な取り組みはこのテクノロジーを活用し始めたばかりです。 これは、大量の実験データを処理する場合に最も重要です。
チャープ パルス増幅の出現により、高強度の短パルス レーザーを使用して粒子を高エネルギーに加速する可能性が浮上しています。レーザー駆動イオン加速 (LIA) には多くの提案された方法がありますが、これまでに研究された主なメカニズムは、ターゲット垂直シース加速 (TNSA) です。 TNSA では、入射レーザーの物質力によって生成されたホット電子がターゲット内を伝搬し、ターゲットの遠端に永久電場 (シース フィールド) を生成し、これがイオンを加速します。生成されたイオン ビームは、その高輝度とスペクトル カットオフ、高指向性と層流、および短いパルス持続時間のビーム特性で知られています。 LIA は、高エネルギー密度物理学、特に等尺性加熱、X 線撮影、および慣性閉じ込め核融合 (ICF) でのたわみ測定に多くのアプリケーションを持っています。将来的には、加速器用の高輝度インジェクター、イオン療法、放射性同位体生成など、いくつかの有望なアプリケーションがあります。一般に、実験は低反復率に制限されていますが、分野が成熟するにつれて、新しい技術の進歩により反復率が大幅に増加すると予想されます。
この研究の重要な動機は、研究者がレーザーパルスを時間内に注意深く制御し、整形することを可能にする短パルスレーザー技術の進歩です。この機能により、前例のない実験制御と、潜在的に新しいイオン加速方法が可能になります。これは、ナノ秒の長いパルスが時間的に整形される ICF 標準方法に着想を得ています。ただし、問題の複雑さを増すことで、研究者たちは探索したいパラメータ空間を大幅に拡大しました。実験の詳細な物理プロセスを研究することが理論的であろうと包括的な診断であろうと、特に短パルス レーザー物質の相互作用を研究するために使用される細胞内粒子 (PIC) シミュレーションは、依然として比較的高価です。
ローレンス リバモア国立研究所 (LLNL) で実施された研究は、ニューラル ネットワークを初めて高強度短パルス レーザー プラズマ加速、特に固体ターゲットのイオン加速の研究に適用したものです。ほとんどのニューラル ネットワークの例では、それらは主にデータ セットの研究に使用されますが、この作業では、チームはそれらを使用して、完全なシミュレーションまたは実験の代わりに、まばらにサンプリングされたパラメーター空間を調査しました。
シミュレーション アンサンブルから抽出されたデータは、ニューラル ネットワークのトレーニングに使用されます。 500 fs での (a) 電子と (b) 重陽子の位相空間図と、(c) と (d) の対応するエネルギー スペクトルが示されています。品質係数として、(b) の丸で囲んだピーク イオン エネルギー Ei と (c) の熱電子温度 Te の 2 つのスカラーに特に注意を払います。画像出典：ローレンス・リバモア国立研究所
Djordjevi 氏は、「この作業は主に、ニューラル ネットワークなどの機械学習技術を使用して既存のツールを強化する方法を示す簡単なデモンストレーションです」「セル内の粒子コードのような計算コストの高いシミュレーションは、引き続き私たちの作業の必要な側面です。しかし、単純なネットワークでも、興味深い位相空間を確実に埋めることができる代替モデルをトレーニングできます。」
Djordjevi は EPOCH コードを使用して、1,000 を超えるセルで粒子シミュレーションのアンサンブルを生成しました。データ セットは、対象の実験パラメーターの広い範囲をカバーし、数桁をカバーします。彼は、イオン エネルギー Ei や電子温度 Te などの目的の物理パラメータを抽出し、そのデータ セットを使用して多層完全結合ニューラル ネットワークをトレーニングしました。
訓練されたニューラル ネットワークは、特に特徴の発見のために、関心のあるパラメータ空間を探索するためのプロキシ モデルとして機能します。ニューラル ネットワークを使用してこの空間をすばやく探索する方法を示し、イオン エネルギーのレーザー強度およびパルス持続時間 τ への依存性を数桁にわたってプロットしました。
エージェントは、プラズマ前勾配の長さスケール Lg に依存する興味深い動作を発見するためにも使用され、さらに高度な手法 (統合エージェントや転移学習など) を使用して、この数値をさらに調査しました。加速されたイオン エネルギーは、レーザーがメイン ターゲットに衝突する前に相互作用する低密度フロント プラズマのプロファイルに非線形に依存します。相対論的プラズマの表皮深さの近くで共鳴値を見つけることが期待できますが、データが少ないにもかかわらず、ネットワークがこの結果を確実に生成できることは注目に値します。最後に、概念実証として、エージェントを使用して、直接観察することが難しい実験データから勾配長スケールなどの重要な物理情報を抽出する方法を示します。
Djordjevi 氏は、「まばらではあるが広範なシミュレーション データ セットを使用して、ニューラル ネットワークをトレーニングして、トレーニング結果を確実に再現し、パラメータ空間の非サンプリング領域として妥当な信頼性で結果を生成することができました。これにより、代替モデルが生まれました。興味のある分野をすばやく探索する」
Djordjevi の指導者である Derek Mariscal は、この研究は短パルス高強度レーザー相互作用の物理学を研究する新しい方法の概要を示していると述べました。機械学習法は、現在科学で広く使用されており、高速、高精度、高エネルギー密度の科学の発展に向けた重要な一歩です。
この画像は、ニューラル ネットワーク置換モデルによって生成されたレーザー パルスの持続時間と強度の関数として、最大イオン エネルギーのパラメトリック スイープを示しています。シミュレーション アンサンブルからのデータ ポイントがオーバーレイされており、ニューラル ネットワークのトレーニングに使用されます。画像出典：ローレンス・リバモア国立研究所
過去 20 年間のほとんどの短パルス レーザー実験では、供給されたレーザー パルスは基本的にガウス分布であると想定されていましたが、これはほとんど証明されていない仮定です。 LDRD プロジェクトは、提供されるレーザー パルスに細心の注意を払いながら、成形された高強度レーザーの短パルスからオーダーメードの光源を提供することを目的としています。研究者は、モデリングと限られた一連の実験を通じて、これらのパルスの詳細が影響を与えることを発見しました。その結果、電子源とイオン源は大きな影響を及ぼします。
基本的に、高エネルギー (keV から MeV) の電子は、レーザーとターゲットの相互作用によって推進され、陽子や重いイオンを加速したり、明るい X 線源を生成したりするために使用できます。レーザー パルスの形状はほぼ無限にあるため、実験やシミュレーションを通じて非常に広いパラメーター空間を調べる必要があります。
シミュレーション パラメーター スキャンを実行する手法は新しいものではありませんが、機械学習の力は、まばらな間隔のポイント間の内挿にあり、この性質のシミュレーションは非常に高価になる可能性があるため、計算能力を大幅に節約できます。
Djordjevi 氏によると、この研究では、比較的低コストのシミュレーション統合を使用して可能な限り多くをカバーすることで、対象の物理学を探索するための機械学習の使用が検証されたという。
この研究の即時適用は、2 つの LLNL プロジェクトに利益をもたらします。Mariscal が率いる LDRD プロジェクトでは、整形されたレーザー パルスへのイオン加速の依存性をシミュレートするために大規模なコレクションが使用されます。これらの統合は、仮想診断と運用制御のためのニューラル ネットワークのトレーニングに使用されます。
これは、国立点火施設 (NIF) が比較的短いピコ秒長のレーザー パルスを使用して高温電子を加速し、NIF の中心で使用する X 線を生成するためです。
「近い将来、私たちのチームがこの夏に高繰り返し率レーザー システムで実行する 2 つの実験をサポートするための新しいシミュレーション セットを生成します」と Djordjevi 氏は述べています。 「このプロジェクトの最も重要な側面は、NIF レーザーがナノ秒レベルで整形されるフェムト秒の短いレーザー パルスを整形することです。これには、より多くのシミュレーションを実行する必要があります。次のような標準パラメーターを変更するだけではありません。ターゲットフォイルの厚さ、レーザー強度と持続時間、レーザープロファイルへのスペクトル位相の寄与。」
この研究は「プラズマ物理学」に掲載され、編集者の選択として強調されました。 LLNLのポスドクはブラゴジェ・ジョルジェヴィを筆頭著者として指名し、アンドレアス・ケンプ、ジューワン・キム、スコット・ウィルクス、タミー・マとデレク・マリスカル、マサチューセッツ工科大学のラズベリー・シンプソンなどの他の著者と共著した.この作品は、実験室ガイド付き研究開発 (LDRD) プロジェクトとエネルギー省によって資金提供されました。