Des chercheurs du Skoltech et de l'Institut des Optiques et de la Mécanique Fine de Shanghai ont développé une méthode innovante combinant réseaux de neurones et simulations physiques pour accélérer l'optimisation des sources de pulses lumineux attosecondes. Ces pulses, constitués de flashes de lumière ultracourts, sont des outils essentiels pour des expériences avancées en spectroscopie ultra-rapide, dans l'étude de matériaux magnétiques, de molécules chirales et de la dynamique des électrons dans la matière. La difficulté principale résidait dans la lenteur du réglage de ces sources complexes. Pour sélectionner les paramètres adéquats, les scientifiques devaient généralement effectuer des calculs physiques intensifs et coûteux en temps. En particulier, les simulations directes dites "particle-in-cell" (PIC), qui modélisent la réponse du plasma-miroir en fonction de multiples caractéristiques du laser et des propriétés de la cible, requéraient d'importantes ressources de calcul, rendant les balayages de paramètres traditionnels extrêmement lents. La nouvelle approche publiée dans Communications in Nonlinear Science and Numerical Simulation contourne ce goulot d'étranglement en entraînant un réseau de neurones sur les résultats de simulations PIC unidimensionnelles. Ce modèle utilise un perceptron multicouche avec un encodage de Fourier des paramètres d'entrée pour prédire rapidement l'ellipticité du pulse attoseconde réfléchi. L'ellipticité, qui détermine l'un des aspects clés de la polarisation, est un paramètre critique pour la qualité des expériences. Une fois entraîné, ce modèle peut évaluer de nouvelles configurations de manière quasi instantanée. Il est intégré dans une boucle d'optimisation, permettant d'identifier les réglages prometteurs avec une grande efficacité. Seules une fraction limitée de ces réglages candidates nécessitent ensuite d'être vérifiés par les simulations physiques complètes et précises. Cela transforme le processus de recherche, le rendant bien plus performant qu'une exploration brute et systématique de tous les paramètres possibles. Selon les auteurs, cette méthode permet d'identifier des ensembles de paramètres produisant une ellipticité plus élevée et démontre une stabilité remarquable à travers différentes caractéristiques des pulses laser et des cibles. De plus, l'approche est évolutive et peut être étendue à des espaces de paramètres plus complexes de dimensions supérieures. Sergey Rykovanov, responsable du laboratoire d'intelligence artificielle et de supercalcul au centre d'IA du Skoltech, souligne que le principal défi de ces problèmes était le coût élevé des simulations directes. Il explique que l'association d'un modèle substitut neuronal avec des calculs PIC précis permet d'accélérer considérablement la recherche de régimes prometteurs sans compromettre la pertinence physique des résultats. Cette avancée ouvre des perspectives pratiques pour la conception de sources de pulses attosecondes avec une polarisation sur mesure, et ce, à un coût de calcul nettement inférieur. Au-delà de ce domaine spécifique, la méthode pourrait être appliquée à d'autres problèmes scientifiques où des simulations physiques onéreuses doivent être accélérées grâce à des modèles de réseaux de neurones, favorisant ainsi une recherche plus rapide et plus efficace en physique expérimentale.