俄罗斯斯科尔科沃理工学院与上海光学精密机械研究所的研究团队开发了一种创新方法，利用神经网络加速阿秒脉冲激光源参数的优化。阿秒脉冲是用于超快光谱学、磁性材料研究及电子动力学观测的关键工具，但其传统参数调节依赖计算量巨大的物理模拟，过程耗时且效率低下。 为突破这一瓶颈，团队提出将物理建模与机器学习相结合的混合策略。研究人员基于一维粒子在细胞模拟数据训练神经网络，使其能够根据实验条件快速预测反射阿秒脉冲的椭圆率这一核心极化参数。该模型采用多层感知机架构并辅以傅里叶编码，一旦训练完成，即可在优化循环中高效评估大量新配置，仅需极少量的精确物理模拟进行最终验证。相比传统的暴力参数扫描，这种方法大幅提升了寻找最佳实验工况的效率。 项目负责人谢尔盖·里科瓦诺夫指出，直接物理模拟面临参数空间庞大、单次验证资源消耗极高的挑战。该研究证明了利用神经网络代理模型辅助精准模拟，能在确保物理结果相关性的前提下显著加速搜索过程。实验表明，该方法不仅能识别出产生更高椭圆率的参数组合，且在不同激光脉冲特性及靶材条件下表现稳定。此外，该算法具备可扩展性，可适用于更高维度的参数空间。 这一成果为设计具有特定极化特性的阿秒脉冲源提供了低计算成本的新途径，同时也为其他需要加速昂贵物理模拟的科学研究提供了通用解决方案，相关研究已发表于《非线性科学与数值模拟》期刊。