Optimisation bayésienne pour la conception d’accélérateurs laser-plasma
Dans l’accélération par champ de sillage laser, une impulsion laser ultracourte ionise un gaz et forme un plasma, au sein duquel le faisceau laser génère une onde capable d’accélérer des électrons jusqu’à des énergies de l’ordre du GeV sur des distances de l’ordre du centimètre.
Ce phénomène dépend de nombreux paramètres et présente un caractère fortement non linéaire, ce qui rend son optimisation difficile. C’est pourquoi, dans le cadre des simulations menées pour la conception d’un accélérateur pour la nouvelle installation LAPLACE à haut taux de répétition, les chercheurs du groupe APPLI du LOA ont eu recours à un procédé d’apprentissage automatique, l’optimisation bayésienne, pour guider des simulations « particle-in-cell » quasi-3D de haute fidélité.
Dans leur article qui vient d’être publié dans Machine Learning: Science and Technology, ils analysent l’influence de divers paramètres régissant le profil de densité du plasma afin de maximiser l’énergie moyenne et de minimiser la largeur énergétique du faisceau d’électrons produit. Ils étudient en particulier l’importance de contrôler le gradient d’injection et la rampe de sortie du profil de densité du plasma.
Trouvez la publication open-access ici:
