Machine learning optimaliseert experimenten met de high-performance laser

Internationaal onderzoeksteam van het Lawrence Livermore National Laboratory, het Fraunhofer ILT en de ELI - Extreme Light Infrastructure in de ELI Beamlines-faciliteit, Praag, Tsjechië. © ELI ERIC / Internationaal onderzoeksteam van Lawrence Livermore National Laboratory, Fraunhofer ILT en ELI - Extreme Light Infrastructure in de ELI Beamlines-faciliteit, Praag, Tsjechië. © ELI ERIC

Een team van internationale wetenschappers van het Lawrence Livermore National Laboratory (LLNL), het Fraunhofer-Institut für Lasertechnik ILT en de Extreme Light Infrastructure (ELI) heeft gezamenlijk een experiment uitgevoerd ter optimalisatie van hoogvermogenlasers met hoge herhaalbaarheid met behulp van machine learning. Dit experiment vertegenwoordigt een belangrijke vooruitgang in het onderzoek, het begrip en de praktische toepassing van hoogenergetische lasers.

»Ons doel was het demonstreren van een robuuste diagnose van laser-geïnduceerde ionen en elektronen uit vaste doelen bij hoge intensiteit en herhaalbaarheid«, legt Matthew Hill uit, hoofdonderzoeker van het LLNL. »Door de snelle koppeling van een optimalisatie-algoritme uit het domein van machine learning aan het laserfront was het mogelijk om de opbrengst van de gegenereerde ionenstraal te maximaliseren.«

Door de combinatie van de nieuwste laser technologie met machine learning openen deze gezamenlijke onderzoeksactiviteiten nieuwe mogelijkheden voor het verkennen van diverse andere vakgebieden, zoals medische therapie, materiaalkunde of cultureel erfgoed.

Meer dan 4000 schoten die tijdens de testfase werden uitgevoerd en die telkens laserintensiteiten van 3x10^21 W/cm² op vaste doelen overtroffen, toonden een duidelijke optimalisatie boven de doorgaans behaalde ionenopbrengsten uit. »Het hele team heeft met grote inzet een enorme hoeveelheid kwalitatief hoogwaardige data geproduceerd. Deze moeten nu worden verwerkt zodat in een volgende stap de onderliggende fysica kan worden geanalyseerd«, zegt Hill.

Het experiment vond plaats in de ELI Beamlines-faciliteit in Tsjechië, waar de onderzoekers gebruik maakten van het geavanceerde High-Repetition-Rate Advanced Petawatt Laser System (L3-HAPLS) om protonen te genereren in de ELIMAIA Laser-Plasma-Ionen-Accelerator. De L3-HAPLS-laser staat bekend om de stabiliteit van zijn laserpulsvermogen, precisie, straalkwaliteit en het vermogen om intense laserpulsen met hoge herhaalbaarheid te produceren. Hierdoor wordt de realisatie van secundaire bronnen voor de productie van elektronen, ionen en röntgenstralen mogelijk. De ongekende herhaalprecisie van de L3-HAPLS stelde het team in staat zich te richten op het begrijpen van de laser-plasma-interactie.

»Door gebruik te maken van HAPLS en dit te combineren met baanbrekend machine learning, zijn we een opmerkelijk project gestart om de complexe fysica van de laser-plasma-interactie beter te begrijpen«, voegt Constantin Häfner toe, hoofd van het Fraunhofer ILT en de leerstoel voor laser technologie aan de RWTH Aachen University. »De gezamenlijke onderzoeksactiviteiten tonen duidelijk aan hoe teamwork en technologische vooruitgang kunnen bijdragen aan het gezamenlijk uitbreiden van de grenzen van wetenschappelijke kennis.«

Zowel voor de faciliteit als voor de onderzoekers op het gebied van hoogenergieplasmafysica markeert de succesvolle combinatie van machine learning met targetdiagnostiek en dispersieregeling van een hoogvermogenlaser met hoge herhaalbaarheid een belangrijke mijlpaal.

»Het succesvol uitvoeren van een zo complex experiment is een bewijs van de topkwaliteit en betrouwbaarheid van het L3-HAPLS-lasersysteem«, zegt Bedrich Rus, hoofd laserwetenschapper bij ELI Beamlines. Daniele Margarone, directeur onderzoek en operatie bij ELI Beamlines, vat samen: »Met dergelijke experimenten bewijst ELI zijn bereidheid en vermogen om de grenzen van kennis te verleggen. Wij bij ELI streven ernaar om transformerende experimenten mogelijk te maken die de mogelijkheden van laserwetenschap en daarbuiten opnieuw definiëren.«