目标探测网络加入,激光等离子体加速器实现实时诊断

摘要：德国慕尼黑大学的研究团队将目标检测网络应用在GeV激光等离子体加速器中,展现了对实验的实时诊断分析和可视化反馈.

封面解读

封面呈现了神经网络对重频激光实验结果的实时分析.在重复频率为1 Hz的拍瓦激光系统中,使用目标检测网络对其每一帧的图像诊断数据进行快速处理,最终将实验分析结果进行实时的可视化展现.

前言

近年来,机器学习和目标检测网络已成为计算机视觉和图像处理领域中的强大工具,在自动驾驶、监控和机器人等领域有着广泛的应用.随着高功率激光器和等离子体靶场在重复频率方面的持续进步,人工智能工具在激光等离子体相关研究领域正引起越来越多的关注.德国慕尼黑大学的研究团队将目标检测网络应用在GeV激光等离子体加速器中,展现了对实验的实时诊断分析和可视化反馈.

相关研究成果发表在High Power Laser Science and Engineering 2023年第1期,并被选为封面文章.

Jinpu Lin, Florian Haberstroh, Stefan Karsch, Andreas Döpp. Applications of object detection networks in high-power laser systems and experiments[J]. High Power Laser Science and Engineering, 2023, 11(1): 010000e7

激光等离子体加速器的实时诊断

本文采用机器学习技术中的目标检测网络对混合激光等离子体尾场加速器进行实时诊断.在德国慕尼黑大学先进激光应用中心(Center for Advanced Laser Applications)的拍瓦功率、赫兹级重复频率飞秒激光器上进行实验,通过聚焦超短激光脉冲到气态等离子体中以产生高能电子束,随后以此电子束驱动第二阶段的等离子体尾波场加速器.本文展现了对三种诊断数据的在线和离线分析,包括电子束能谱、等离子体波、以及激光本身的表现.

图1标有峰值电荷量的电子能谱

通过训练目标检测网络,可以准确地识别电子能谱上的能量峰,并计算其电荷量,如图1所示.相比于传统的能谱分析方法,使用人工智能方法有两项独特的优势.其一,整个数据分析和可视化的过程可以在十分之一秒内完成,足以匹配GeV激光等离子体加速器的重复频率,有助于研究人员在实验过程中得到实时反馈.其二,电子能谱中时常会出现难以预先设定的情况,比如不规则形状的能量峰、不定数量的能量峰等,而目标检测网络可以稳定地解决这个问题.

图2识别并分析等离子体波阴影图

等离子体波的阴影图由一束几个光周期长的光学探针来拍摄.阴影图上的物理特征,包括等离子体波、冲击波、衍射图案等特征,其位置和大小在每一发激光脉冲中都有所不同.使用目标检测网络可以定位等离子体波,并通过傅里叶变换来估算其振荡波长.于是,从图2为例的阴影图中,可以快速得到等离子体波长和等离子体密度.对于实验中常见的参数扫描,也能够立即绘制出等离子体波长和密度的趋势图.

总结与展望

作为在激光等离子体加速器中首次应用目标检测网络的研究,本研究展示了机器学习方法在快速处理大数据中的优势和潜力,特别是在处理来自先进诊断工具的图像数据方面,使得实验中的实时诊断数据分析和可视化反馈成为可能.

慕尼黑大学研究团队计划在本文所呈现的研究基础上展开若干后续研究.其中一种可能是将目标检测网络方法应用于其他高功率激光实验中,包括使用不同激光参数和诊断工具的实验.这将有助于进一步验证该方法的有效性和适应性.另一个潜在的后续研究是探索在高功率激光实验中使用目标检测网络进行实时决策的可能性,涉及开发算法以实时分析多种诊断数据、并针对实验设置规程进行调整.