Embora os avanços no aprendizado de máquina na última década tenham causado impactos significativos em aplicativos como classificação de imagens, processamento de linguagem natural e reconhecimento de padrões, esforços científicos apenas começaram a alavancar essa tecnologia. Isso é mais notável no processamento de grandes quantidades de dados de experimentos.

A pesquisa conduzida no Laboratório Nacional Lawrence Livermore (LLNL) é a primeira a aplicar redes neurais ao estudo da aceleração de plasma a laser de pulso curto de alta intensidade, especificamente para aceleração de íons de alvos sólidos. Embora na maioria dos casos de redes neurais sejam usados ​​principalmente para estudar conjuntos de dados, neste trabalho, a equipe os usa para explorar o espaço de parâmetros esparsamente amostrado como um substituto para uma simulação ou experimento completo.

A pesquisa é destaque na Física do Plasma e é destacada como Escolha do Editor. Blagoje Djordjević, nomeado pós-doutorado do LLNL, é o autor principal e os co-autores incluem Andreas Kemp, Joohwan Kim, Scott Wilks, Tammy Ma e Derek Mariscal, bem como Raspberry Simpson do Massachusetts Institute of Technology. O trabalho foi financiado no âmbito de um projeto de Pesquisa e Desenvolvimento Dirigido por Laboratório (LDRD) e uma bolsa do Departamento de Energia.

"O trabalho serve principalmente como uma demonstração simples de como podemos usar técnicas de aprendizado de máquina, como redes neurais, para aumentar as ferramentas que já temos, "Djordjević disse." Simulações computacionalmente caras, como códigos de partículas na célula, continuarão sendo um aspecto necessário do nosso trabalho, mas, mesmo com uma rede simples, somos capazes de treinar um modelo substituto que pode preencher de forma confiável faixas interessantes do espaço de fase. "

Djordjević gerou um conjunto de mais de 1, 000 simulações de partículas na célula usando o código EPOCH. Este conjunto de dados abrangeu uma ampla gama de parâmetros experimentais de interesse que cobriram várias ordens de magnitude. Este conjunto de dados, a partir da qual ele extraiu parâmetros físicos de interesse, como a energia iônica, E _eu e temperatura do elétron, T _e , foi então usado para treinar uma multicamada, rede neural totalmente conectada.

A rede neural treinada atuou como um modelo substituto para explorar o espaço de parâmetros de interesse, em particular para descoberta de recursos. Foi demonstrado como a rede neural pode ser usada para explorar rapidamente este espaço, mapear a dependência da energia iônica na intensidade do laser e na duração do pulso τ ao longo de várias ordens de magnitude.

O substituto também foi usado para descobrir um comportamento interessante na dependência da escala de comprimento do gradiente do pré-plasma Lg e esta quantidade foi explorada usando técnicas mais elaboradas, como substitutos de conjunto e aprendizagem de transferência. A energia iônica acelerada depende não linearmente do perfil do pré-plasma subdenso com o qual o laser interage antes de atingir o alvo principal. Embora se pudesse esperar encontrar um valor de ressonância perto da profundidade da pele do plasma relativístico, foi notável que a rede foi capaz de gerar esse resultado de maneira confiável, apesar da escassez de dados. Por último, como uma prova de conceito, foi mostrado como o substituto pode ser usado para extrair informações físicas importantes de dados experimentais que são difíceis de observar diretamente, como a escala de comprimento do gradiente.

"Usando um conjunto de dados esparso, mas amplo, de simulações, fomos capazes de treinar uma rede neural para reproduzir de forma confiável os resultados treinados, bem como gerar resultados para regiões não amostradas do espaço de parâmetro com confiança razoável, Djordjević disse. "Isso resultou em um modelo substituto, que usamos para explorar rapidamente regiões de interesse. "

Derek Mariscal, que serve como mentor de Djordjević, disse que o trabalho descreve uma abordagem completamente nova para a forma como a física das interações do laser de alta intensidade de pulso curto é estudada. Abordagens de aprendizado de máquina agora estão sendo amplamente adotadas nas ciências e este é um passo fundamentalmente importante no desenvolvimento de alta velocidade, ciência de alta densidade de alta precisão e energia.

Mariscal disse que a maioria dos experimentos de laser de pulso curto nos últimos 20 anos presumiram que os pulsos de laser emitidos eram essencialmente de forma gaussiana, mas esta é em grande parte uma suposição não validada.

"O projeto LDRD visa fornecer fontes personalizadas de pulsos curtos de laser de alta intensidade moldados, prestando atenção aos pulsos de laser entregues, "Ele disse." Nós descobrimos por meio de modelagem e um conjunto limitado de experimentos que esses detalhes de pulso podem ter um impacto profundo nas fontes de elétrons e íons resultantes. "

Fundamentalmente, elétrons de alta energia (keV-to-MeV) são empurrados pelo laser interagindo com o alvo, e esses elétrons podem ser usados ​​para acelerar prótons, íons pesados ​​ou produzem fontes de raios-X brilhantes. Uma vez que existe um conjunto quase infinito de formas possíveis de pulso de laser, há um espaço de parâmetros extremamente amplo para examinar por meio de experimentos ou simulações.

"A técnica de realizar varreduras de parâmetros de simulação não é nova; no entanto, o poder do aprendizado de máquina está na interpolação entre os pontos esparsamente espaçados, "Mariscal disse." Esta é uma economia enorme em poder de computação porque simulações dessa natureza podem ser muito caras. "

Djordjević disse que a pesquisa verifica a abordagem do uso de aprendizado de máquina para explorar a física de interesse, aproveitando conjuntos de simulação de custo relativamente baixo para cobrir o máximo de terreno possível.

O trabalho continua

A aplicação imediata do trabalho beneficiará dois projetos LLNL, um projeto LDRD liderado por Mariscal, onde grandes conjuntos serão usados ​​para modelar a dependência da aceleração de íons em pulsos de laser moldados, e um projeto liderado pelos físicos do LLNL Tammy Ma e Timo Bremer, onde esses conjuntos serão usados ​​para treinar redes neurais para diagnóstico virtual e controle de operações.

A aceleração de plasma a laser já tem uma aplicação importante para a missão de fusão por confinamento inercial, uma vez que a National Ignition Facility (NIF) usa relativamente curto, pulsos de laser de picossegundos para acelerar elétrons quentes, que, por sua vez, geram raios-X para obter imagens da implosão da cápsula no centro do NIF.

"Em nosso futuro imediato, estaremos gerando um novo conjunto de simulações para apoiar dois experimentos que nossa equipe estará realizando neste verão em sistemas de laser de alta taxa de repetição, "Djordjević disse." O aspecto mais importante deste projeto é que iremos moldar brevemente, pulsos de laser em escala de femtossegundos, onde os lasers do NIF são moldados na escala de nanossegundos. Isso exigirá que executemos ainda mais simulações em que não apenas variamos os parâmetros padrão, como a espessura da folha alvo e intensidade e duração do laser, mas também contribuições de fase espectral para o perfil do laser. "