AI mění laserovou fyziku: Simulace optiky jsou řádově rychlejší a pomohou i rentgenům

Vědci ze Stanfordovy univerzity, Kalifornské univerzity v Los Angeles (UCLA) a Národní laboratoře SLAC představili průlomový model hlubokého učení, který dokáže řádově zrychlit simulace nelineární optiky.

Vědci ze Stanfordovy univerzity, Kalifornské univerzity v Los Angeles (UCLA) a Národní laboratoře SLAC představili průlomový model hlubokého učení, který dokáže řádově zrychlit simulace nelineární optiky. Tato inovace řeší dlouhodobý problém výpočetní náročnosti, která dosud brzdila vývoj a optimalizaci ultrarychlých laserových systémů.

Práce se zaměřuje na nelineární optiku druhého řádu (procesy χ²), kde světelné vlny v krystalech vyměňují energii a generují nové frekvence a specifické tvary pulzů. Tyto procesy hrají klíčovou roli například v zařízeních pro urychlovače částic. Na modernizovaném zdroji koherentního světla LCLS-II v SLAC jsou infračervené laserové pulzy nejprve převedeny na zelené světlo a poté na ultrafialové (UV). UV pulz následně dopadá na katodu, aby uvolnil svazek elektronů, který je dále urychlován a modulován pro produkci intenzivních rentgenových pulzů. Přesný časový tvar UV pulzu přímo ovlivňuje vlastnosti elektronového svazku a tím i kvalitu rentgenových paprsků dostupných pro vědecký výzkum.

Standardní simulační metody, které numericky řeší nelineární Schrödingerovu rovnici pomocí tzv. split-step Fourierovy metody (SSFM), jsou sice přesné, ale velmi pomalé. Tvoří přibližně 95 % celkové doby běhu kompletní laserové simulace. Tým se inspiroval předchozími pracemi s rekurentními neuronovými sítěmi a vyvinul model LSTM (long short-term memory) přizpůsobený pro komplexnější prostředí χ² procesů. Klíčovým rozhodnutím bylo pracovat výhradně v komprimované frekvenční doméně, čímž se vyhnuli opakovaným transformacím domén, které činí SSFM tak nákladnou.

Nový AI model přesně rekonstruuje časové a spektrální profily v široké škále podmínek tvarování pulzů, včetně případů s výraznými spektrálními dírami a silnou fázovou modulací. Při spuštění s dávkovým GPU inferencí klesá průměrná doba simulace na několik milisekund, což je řádově rychleji než u konvenčních metod. Model navíc dokáže zachytit globální dynamiku interakce: pokud je primární výstup předpovězen dobře, sekundární pole se také velmi přesně shodují.

Širším cílem této práce je integrace takovýchto náhradních modelů s experimentálními laserovými systémy. Modulární rámec, ve kterém jsou jednotlivé fyzikální procesy reprezentovány trénovaným AI blokem, směřuje k prediktivním modelům přímo propojeným s probíhajícími experimenty. Propojení rychlých strojově učících se modelů přímo s experimenty otevírá dveře k aplikacím, jako je vývoj plnohodnotných digitálních dvojčat, adaptivní řízení a těsnější integrace s navazující diagnostikou napříč celou řadou laserových zařízení.