スボルテックと上海光学精密機械研究所の研究者チームは、物理実験に使用されるアト秒パルス光源のパラメータ最適化手法を開発しました。アト秒パルスは、超高速分光法や電子ダイナミクスの研究など、多岐にわたる分野で重要なツールとなっていますが、最適な条件を設定するには、プラズマ鏡の応答をシミュレーションする際に膨大な計算資源と時間を要する課題がありました。従来の手法では、パラメータ空間が広大であるため、一つ一つを検証するフルシミュレーションの実行には非常に大きなコストがかかるため、効率的な探索が困難でした。 研究チームは、この問題を解決するために、物理モデルと機械学習を融合させたアプローチを採用しました。具体的には、1次元粒子インセルルシションシミュレーションの結果を基にニューラルネットワークを訓練し、問題の条件に応じて反射したアト秒パルスの偏光のうち、重要なパラメータである楕円率を即座に予測できるようにしました。このモデルには、多層パーセプトロンにパラメータのフーリエ符号化を組み込んだ構造が用いられています。 訓練が完了したモデルを使用すれば、新しい設定を瞬時に評価可能であり、最適化プロセスを加速させることができます。これにより、フルシミュレーションによる正確なチェックは限定的な数に留め、有望な動作領域を従来の全探索方式よりもはるかに効率的に見つけることが可能になります。著者によると、この手法は、反射パルの楕円率を高めるパラメータセットの特定に成功し、様々なレーザーパルス特性やターゲットパラメータに対して安定した性能を発揮します。また、この方法はスケーラブルであり、より高次元のパラメータ空間への拡張も可能です。 スボルテックの AI スーパーコンピューティングラボ所長セルゲイ・リコバノフ氏は、「直接的な物理シミュレーションのコストが主な課題だったが、ニューラルネットワークの代替モデルと高精度な PIC 計算を組み合わせることで、結果の物理的整合性を損なうことなく、有望な領域の探索を大幅に加速できることを実証した」と述べています。この手法は、所望の偏光特性を持つアト秒パルス光源を実践的に設計する際、計算コストを劇的に低減させる可能性を開きました。さらに、この技術は、高価な物理シミュレーションをニューラルネットワークで加速する必要がある他の問題へも応用することが期待されています。