Forscher des Skolkovo-Instituts für Wissenschaft und Technologie (Skoltech) und des Shanghaier Instituts für Optik und Feinmechanik haben ein neues Verfahren entwickelt, um die Einstellungen von Laserplasma-Quellen für attosekunden-Lichtpulse zu optimieren. Diese extrem kurzen Lichtblitze sind unverzichtbare Werkzeuge in der Physik, etwa für ultraschnelle Spektroskopie oder die Untersuchung von Elektronendynamiken in Materie. Bisher war die Einstellung dieser Lichtquellen ein langwieriger Prozess, der auf aufwendigen physikalischen Simulationen basierte. Durch die Kombination von physikalischer Modellierung mit maschinellem Lernen konnten die Wissenschaftler den Optimierungsprozess jedoch drastisch beschleunigen. Ihre Ergebnisse wurden in der Fachzeitschrift Communications in Nonlinear Science and Numerical Simulation veröffentlicht. Die Auswahl geeigneter Parameter für solche Experimente war bislang mit enormen Rechenkosten verbunden. Da die Reaktion des Plasmas von mehreren Merkmalen des Laserpulses sowie den Eigenschaften des Zielmaterials abhängt, erforderten direkte Simulationen, sogenannte Partikel-in-Zell-Simulationen (PIC), erhebliche Zeit und Rechenleistung. Um dieses Problem zu lösen, trainierten die Forscher ein neuronales Netz auf Basis von Ergebnissen einseitiger PIC-Simulationen. Das Ziel war es, das Modell so zu befähigen, dass es die Elliptizität des reflektierten attosekunden-Pulses – einen Schlüsselfaktor für die Polarisation – schnell und genau vorhersagen kann. Als Architektur diente ein mehrschichtiger Perzeptron-Algorithmus, der die Eingabeparameter mittels Fourier-Codierung verarbeitete. Sobald das Modell trainiert war, ermöglichte es die Bewertung neuer Konfigurationen in Bruchteilen der Zeit, die eine vollständige physikalische Simulation benötigen würde. Das System fungiert dabei als effizienter Vorschlaggeber, der vielversprechende Einstellungen identifiziert. Nur für eine begrenzte Anzahl der besten Kandidaten muss anschließend noch eine präzise, aber rechenintensive physikalische Simulation durchgeführt werden. Dieser hybride Ansatz macht die Suche nach optimalen Betriebsbedingungen weitaus effizienter als traditionelle Methoden, bei denen Parameterbereiche stufenweise und rechenintensiv abgetastet werden. Die Autoren stellten fest, dass ihre Methode Parameterkombinationen findet, die zu einer höheren Elliptizität des reflektierten Pulses führen, und dabei eine stabile Leistung über verschiedene Laser- und Zielparameter hinweg aufrechterhält. Darüber hinaus ist das Verfahren skalierbar und lässt sich auf komplexere Parameterräume mit höherer Dimension übertragen. Sergej Rjkowanzow, Leiter des Labors für Künstliche Intelligenz und Supercomputing am Skoltech AI Center, betonte die Herausforderungen bei solchen Problemen: Der große Parameterraum und der hohe Ressourcenbedarf jeder Validierungslauf machen direkte Simulationen unpraktikabel. Durch die Verbindung eines neuronalen Netzwerks als Ersatzmodell mit genauen PIC-Berechnungen könne die Suche nach vielversprechenden Regimen jedoch signifikant beschleunigt werden, ohne dass an der physikalischen Relevanz der Ergebnisse etwas verloren gehe. Dieses Vorgehen eröffnet neue Möglichkeiten für die praktische Konstruktion von attosekunden-Lichtquellen mit maßgeschneiderter Polarisation bei deutlich geringeren Rechenkosten. Das Potenzial der Methode geht jedoch über dieses spezifische Anwendungsgebiet hinaus; sie könnte auch bei anderen wissenschaftlichen Problemen eingesetzt werden, bei denen teure physikalische Simulationen durch neuronale Netzwerke beschleunigt werden müssen. Damit stellt die Studie einen bedeutenden Fortschritt in der Nutzung von künstlicher Intelligenz für die Optimierung experimenteller Physik dar.