Modelování laserové absorpce pomocí metod strojového učení

Abstract

Tato práce představuje možnosti modelování absorpce laseru s vysokou intenzitou a krátkým pulzem v plazmatu pro laserové intenzity v rozmezí od 10^17 W.cm^-2 do 10^19 W.cm^-2. Vstupními parametry modelů jsou intenzita laseru, délka škály exponenciálního předplazmového profilu a úhel dopadu laseru na terč. Pro trénink modelů byly použity teploty horkých elektronů z více než 300 simulací metodou particle-in-cell s různými nastaveními. Byla navržena metoda pro automatické fitování teploty horkých elektronů. Vyhodnotili jsme regresné schopnosti Support Vector Regression, neuronových sítí a Gaussovských Procesů (GP) a zjistili jsme, že GP nabízí v této aplikaci nejlepší zobecnění. Diskutuje se strategie pro efektivní rozšíření datové sady.

This thesis presents possibilities for surrogate modelling of high-intensity short-pulse laser absorption in plasma for laser intensities ranging from 10^17 W.cm^-2 to 10^19 W.cm^-2. The input parameters of the models are laser intensity, scale length of the exponential preplasma profile and angle of incidence. For training of the models, hot electron temperatures from more than 300 particle-in-cell simulations with different settings were used. A method for automatic hot electron temperature fitting is proposed. We evaluated Support Vector Regression, Neural Network, and Gaussian Processes (GP) regression models, finding GP to offer the best generalization. A strategy for effective dataset expansion is discussed.