張普渡 王偉權(quán)? 李哲民 張資旋 王葉晨 周泓宇 銀燕?
1) (國防科技大學理學院物理系,長沙 410073)
2) (國防科技大學理學院數(shù)學系,長沙 410073)
超短超強激光脈沖與固體靶相互作用可通過鉆孔輻射壓加速機制產(chǎn)生百MeV 量級的離子束,離子束的品質(zhì)強烈依賴于激光和靶的作用參量.本文以近400 組激光驅(qū)動固體靶的粒子模擬結(jié)果作為數(shù)據(jù)集,以激光強度、靶密度、靶厚和離子質(zhì)量作為輸入?yún)⒘?基于全連接神經(jīng)網(wǎng)絡建立了一個離子峰值能量和截止能量連續(xù)映射模型.該模型用較為稀疏的參量取值獲得了較大參量范圍內(nèi)的分析結(jié)果,大大減少了多維參量大范圍掃參的計算量.基于連續(xù)映射模型的結(jié)果,得到了鉆孔輻射壓加速機制下離子峰值能量的修正公式和截止能量的擬合公式,可為激光離子加速的實驗設計提供重要參考.
隨著超短超強激光脈沖與等離子體相互作用研究的不斷深入,基于超強激光驅(qū)動的離子加速逐漸成為激光等離子體領(lǐng)域的重要研究方向,在離子束驅(qū)動快點火[1,2]、束靶中子源[3,4]、溫稠密物質(zhì)加熱[5-7]、質(zhì)子照相[8,9]等領(lǐng)域得到了廣泛研究與應用.常見的激光驅(qū)動的離子加速機制包含輻射壓加速(radiation pressure acceleration,RPA)[10,11]、靶背法向鞘層加速(target normal sheath acceleration,TNSA)[12,13]、靶破燒蝕加速[14,15]、無碰撞激波加速[16,17]等.其中,RPA 機制由于其能量轉(zhuǎn)化效率高、離子束單能性好以及可加速重離子等特點,在實驗上備受關(guān)注.根據(jù)固體靶厚度的不同,RPA機制可分為薄靶條件下的光帆加速(light-sail RPA,LS-RPA)[18,19]和厚靶條件下的鉆孔加速(hole-boring RPA,HB-RPA)[20,21].在LS-RPA 機制下,離子與電子將被壓縮為“等離子體飛鏡(plasma mirror)”結(jié)構(gòu)被激光脈沖整體推動加速,但這種機制對激光脈沖對比度要求較高,且靶厚度和激光脈沖強度之間有嚴格的匹配關(guān)系[18,19,22].而對于HB-RPA 機制,激光和靶的參數(shù)要求相對寬松,更容易在實驗中實現(xiàn)[23],且可在較高激光強度下對重離子實現(xiàn)有效加速[24].
在基于HB-RPA 機制的數(shù)值模擬和實驗設計中,分析研究對象與參量的關(guān)聯(lián)時需進行參數(shù)掃描.然而,激光和靶參數(shù)的選取范圍較為寬泛,通過開展大量實驗或數(shù)值模擬進行線性掃參的代價過于高昂.同時,不同掃描參量與目標參量間可能存在一定映射關(guān)聯(lián),而通過線性掃參只能得到有限的孤立數(shù)據(jù)點,基于有限的數(shù)據(jù)建立較為可靠的連續(xù)映射關(guān)系存在較大困難.因此,有必要尋找新的研究參量映射規(guī)律的手段.近幾年內(nèi),依賴于數(shù)據(jù)學習的神經(jīng)網(wǎng)絡算法[25,26]被逐漸應用在科研領(lǐng)域,例如托卡馬克裝置中磁場的控制優(yōu)化[27]、慣性約束聚變實驗結(jié)果對實驗參數(shù)的敏感度研究[28]、電子加速能譜的自動識別與分類[29]、高輻射環(huán)境下測得的電子能譜圖的去噪分析[30]、預測粒子加速器內(nèi)粒子束縱向相空間演化趨勢[31]等.在眾多類型的神經(jīng)網(wǎng)絡算法中,卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)主要面向二維矩陣數(shù)據(jù)的處理,在圖像處理和識別等領(lǐng)域應用廣泛[30].自組織映射神經(jīng)網(wǎng)絡(self-organizing map,SOM)的訓練過程為無監(jiān)督的競爭學習,適用于高維數(shù)據(jù)的聚類分析[29].全連接構(gòu)型人工神經(jīng)網(wǎng)絡(fully connected neural network,FCNN)可以建立起數(shù)個變量關(guān)于單一映射量的連續(xù)模型,適用于數(shù)據(jù)回歸類問題的建模分析.Djordjevi?等[32]基于FCNN 神經(jīng)網(wǎng)絡算法對TNSA 加速機制的多維參數(shù)進行了建模分析,得到離子截止能量的連續(xù)映射模型,并給出TNSA 機制下離子能量增大速率的連續(xù)映射模型[33].
本文所研究的HB-RPA 機制下的參數(shù)映射也是一個數(shù)據(jù)回歸類問題,采用FCNN 神經(jīng)網(wǎng)絡較為適合.首先將有限的數(shù)值模擬結(jié)果整理為數(shù)據(jù)集輸入FCNN,然后在數(shù)據(jù)迭代的過程中,通過神經(jīng)元權(quán)重的反向傳遞,把目標參量關(guān)于輸入?yún)⒘康淖兓卣饔涗浽谏窠?jīng)網(wǎng)絡中,從而得到連續(xù)映射模型.這一所得模型可較好反映出掃參空間中所有數(shù)據(jù)點的映射結(jié)果,并可在訓練范圍外進行推廣,進而對更大范圍的結(jié)果進行預測.本文利用FCNN建立了HB-RPA 機制下離子峰值能量和截止能量關(guān)于激光強度、靶密度、靶厚度和離子質(zhì)量這4 個輸入?yún)⒘康倪B續(xù)映射模型.根據(jù)該模型與HB-RPA的理論公式及PIC 數(shù)值模擬結(jié)果的對比結(jié)果,對離子峰值能量公式進行修正,同時給出離子截止能量的經(jīng)驗公式,實現(xiàn)了對HB-RPA 機制下離子峰值能量和截止能量的定量描述.
當激光強度與靶厚度近似滿足a<πdn/(ncλ0)關(guān)系時,HB-RPA 機制將占主導地位[34],其中,a為歸一化激光強度,與激光強度I0的關(guān)系滿足a=為激光波長,d為靶厚度為等離子體臨界密度,me為電子質(zhì)量,ω為激光頻率,e為電子電荷量.一維(one-dimension,1D)情況下,一束強度恒定為I0的圓極化激光正入射到均勻密度為n的等離子體,光束在等離子體表面被完全反射.由穩(wěn)態(tài)加速離子所滿足的動量平衡方程,可以得到實驗室系中相對論條件下動量平衡的穩(wěn)態(tài)離子能量表達式[20]:
本文通過PIC 程序EPOCH[35]對HB-RPA 過程進行了約400 次1D 數(shù)值模擬.在模擬中改變激光脈沖的歸一化激光強度a,等離子體靶厚度d,等離子體靶密度n和離子質(zhì)量mi,模擬參數(shù)選取范圍均滿足HB-RPA 離子加速機制要求.由于靶厚度d是決定HB-RPA 加速機制是否起效的重要參量,將d作為輸入?yún)⒘考尤氲缴窠?jīng)網(wǎng)絡的訓練中,可以更好地保證訓練所得模型的可靠性.在1D 數(shù)值模擬中,激光時間脈沖設置為梯形包絡,如下式所示:
其中T0為激光周期,I0為激光峰值強度.等離子體為單一離子組分的平面靶,靶離子為完全電離.模擬盒子范圍為 0 ≤x≤90λ0,靶前表面位置處于10λ0處.激光脈沖由左邊界入射.模擬空間分辨率為 ?x=0.01λ0,每個網(wǎng)格內(nèi)各組分的宏粒子數(shù)目為50 個.
圖1(a)和圖1(c) 分別為He2+離子和C6+離子的x-v相空間圖,其中,v為離子速度.x-v相空間圖展現(xiàn)了HB-RPA 機制的典型振蕩特征[20,21].在HB-RPA 機制中,激光推動電子形成壓縮層,由此產(chǎn)生的電荷分離場把大量靶內(nèi)離子加速到穩(wěn)態(tài)速度,如紅色虛線框所示.加速電場的峰值位于電子壓縮層的前表面,隨時間振蕩[20],離子在振蕩電場作用下形成形似魚骨的x-v相空間結(jié)構(gòu).少量滯后的離子被加速電場的上升沿推動至峰值電場區(qū)域,進而被加速至更高能量,如藍色虛線框所示.圖1(b)和圖1(d)分別為He2+離子和C6+離子在t=70T0時刻的能譜圖,此時離子相空間、離子峰值能量和最大離子能量都已趨于穩(wěn)定.在能譜圖上略去了能量位于能譜中最低0.5%部分的低能離子,呈現(xiàn)清晰的準單能結(jié)構(gòu).對于每組數(shù)值模擬,通過診斷離子的x-v相空間分布來確定該組模擬中HB-RPA 加速機制占主導地位,通過離子能譜圖統(tǒng)計離子束的峰值能量和截止能量.舍棄掉不符合HB-RPA 加速機制的數(shù)據(jù)點,最終得到400 組數(shù)據(jù)集樣本數(shù)據(jù)點.
圖1 在 t=70T0 時刻,(a) He2+離子的 x-v 相空間分布,(b) He2+離子的能譜分布,(c) C6+離子的 x-v 相空間分布,(d) C6+離子的能譜分布.其中,激光強度 a=100 ,靶密度 n=25nc ,靶厚 d=25λ0 ;紅色虛線框內(nèi)為峰值能量所對應的離子,藍色虛線框內(nèi)為截止能量所對應的離子Fig.1.At t=70T0 ,(a) the x-v phase space diagram of He2+,(b) the energy spectrum of He2+,(c) the x-v phase space diagram of C6+,(d) the energy spectrum of C6+,with d=25λ0 ,n=25nc and a=100 .The red dashed box circles the ions with peak energy,and the blue dashed box circles the ions with cutoff energy.
整體數(shù)據(jù)集的采樣采用系統(tǒng)抽樣方式,在一定的參數(shù)范圍內(nèi)均勻間隔取值,通過離子種類將數(shù)據(jù)集劃分為質(zhì)子集、He2+集、C6+集、O8+集和測試集共5 個集合.其中,質(zhì)子集合經(jīng)過數(shù)據(jù)篩選后總共記錄了231 次數(shù)值模擬結(jié)果,具體的輸入?yún)?shù)取值為: 靶厚d在 [7.5λ0,35λ0] 范圍內(nèi)間隔 2.5λ0均勻取值,靶密度n在 [12.5nc,40nc] 范圍內(nèi)間隔 2.5nc均勻取值,激光強度分別取值4×1021,6×1021,8×1021,1×1022,2×1022,3×1022W/cm2.He2+離子集合包含49 次數(shù)值模擬的結(jié)果,C6+離子與O8+離子分別包含50 次數(shù)值模擬的結(jié)果,3 種離子的靶厚d取值為 15λ0和 25λ0,靶密度n在 [10nc,30nc] 范圍內(nèi)間隔 5nc均勻取值,激光強度取值為6×1021,8×1021,1×1022,2×1022,3×1022W/cm2.最后一個集合為獨立于其他數(shù)據(jù)的測試集,離子種類包括D+,T+,He2+,B4+,C6+,F9+,Mg12+和Al13+離子,在每組數(shù)值模擬中,模擬參數(shù)d,n和a均獨立取值,共20 個數(shù)據(jù)點.記錄每組模擬結(jié)果的離子峰值能量Ep與截止能量Em作為訓練參量,具體取值分布如表1 所列.圖2(a)–(d)更直觀地給出了4 種離子的參數(shù)取值分布,并用散點顏色標注了該數(shù)據(jù)點所對應的離子峰值能量.為控制輸入?yún)⒘康臄?shù)量級相近,靶厚參數(shù)d以λ0歸一化,靶密度參數(shù)n以臨界密度nc歸一化,激光強度以歸一化激光強度a輸入,離子質(zhì)量以原子質(zhì)量數(shù)A輸入.
表1 數(shù)值模擬數(shù)據(jù)集參數(shù)取值分布Table 1. Simulation datasets prepared for neural network training.
圖2 離子峰值能量隨輸入?yún)?shù) d ,n 和 a 分布的三維散點圖 (a) 質(zhì)子;(b) He2+ 離子;(c) C6+ 離子;(d) O8+離子Fig.2.Scatter plot depiction of ion peak energy data ensembles as a function of input parameters d,n and a: (a) Proton case;(b) He2+,(c) C6+;(d) O8+.
本文基于Pytorch 中的nn 模塊來搭建深度神經(jīng)網(wǎng)絡,所采用的網(wǎng)絡類型為FCNN,通過測試與對比訓練結(jié)果對神經(jīng)網(wǎng)絡結(jié)構(gòu)與超參數(shù)的選取進行調(diào)整,最終確定神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖3 所示.經(jīng)過篩選和后處理的樣本數(shù)據(jù)被輸入到輸入層,4 個神經(jīng)元分別對應輸入?yún)?shù)d,n,a,A.經(jīng)過6 個隱藏層后,結(jié)果收斂至輸出層的單一輸出量.Ep與Em采用相同的神經(jīng)網(wǎng)絡結(jié)構(gòu).
圖3 訓練所使用的神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.3.Neural network architecture used in the following training.
神經(jīng)網(wǎng)絡訓練參數(shù)的選取與所得到代理模型(surrogates ensemble,SE)[36]的泛化能力密切相關(guān).我們所使用的神經(jīng)網(wǎng)絡采用均方方差損失(mean square error,MSE)函數(shù),采用nn 模塊默認的L2正則化,其中L2=2×10-5.神經(jīng)元激活函數(shù)選取為Sigmoid 與PReLU,這兩種激活函數(shù)皆為單調(diào)函數(shù),模型映射曲線在有限的預測范圍內(nèi)保持緩慢平滑變化,這一特征與HB-RPA 理論公式相契合.訓練結(jié)果表明,我們所確定的神經(jīng)網(wǎng)絡結(jié)構(gòu)可使模型收斂至接近理論預測結(jié)果,同時保持了較好的平滑程度和泛化性,這使得分析參量的訓練和預測結(jié)果都具有一定的可靠性.
針對模擬數(shù)據(jù)所展開的訓練類型均為監(jiān)督學習,在給定輸入數(shù)據(jù)上訓練神經(jīng)網(wǎng)絡,訓練過程中優(yōu)化器選擇基于隨機梯度下降的Adam 優(yōu)化器,損失函數(shù)選擇MSE.本文將數(shù)據(jù)集劃分為380 組數(shù)據(jù)的訓練集和20 組數(shù)據(jù)的測試集,訓練集與測試集皆為固定.訓練數(shù)據(jù)在神經(jīng)網(wǎng)絡上迭代次數(shù)固定為8000 次,學習率固定為1×10-4,損失函數(shù)誤差下降至1×10-4時,模型趨于收斂,且平滑程度與擬合程度良好.
在初始化權(quán)值的訓練條件下,每次的訓練結(jié)果會略有不同.由于本文所使用的參數(shù)空間相對稀疏,每次訓練所得模型的差異將會更加明顯.為此,本文對10 個神經(jīng)網(wǎng)絡同時進行訓練,得到一個神經(jīng)網(wǎng)絡集合,并根據(jù)模型收斂時的損失函數(shù)取值對訓練結(jié)果做加權(quán)平均,從而生成訓練結(jié)果的代理模型.取每個模型最后2000 次迭代的損失函數(shù)均值的倒數(shù)作為該模型的權(quán)值,對所有神經(jīng)網(wǎng)絡模型加權(quán)平均,由模型權(quán)值進行歸一化,即可得到
式中,代理模型SE 是所有訓練模型Si的均值;wi為每個訓練模型的權(quán)值,為最后2000 次迭代損失函數(shù)均值的倒數(shù);x為輸入?yún)?shù)的取值;N=10 表示神經(jīng)網(wǎng)絡模型訓練個數(shù).為了衡量代理模型在一定取值范圍內(nèi)的可變性,定義了標準差σ:
利用神經(jīng)網(wǎng)絡訓練結(jié)果和加權(quán)所得的代理模型,在一定范圍內(nèi)的參數(shù)空間上對輸入?yún)?shù)進行連續(xù)掃參,可得到目標參量關(guān)于不同輸入?yún)?shù)的映射關(guān)系,并與測試集數(shù)據(jù)點進行比照.
圖4 為根據(jù)神經(jīng)網(wǎng)絡代理模型所繪出的離子峰值能量與截止能量關(guān)于靶密度n和激光強度a的二維連續(xù)映射圖.從圖4(a) 可看出,當激光強度一定時,峰值能量Ep隨靶密度的增大而減小;當靶密度固定時,峰值能量Ep隨激光強度的增大而增大.當激光強度與靶密度滿足保持不變時,離子峰值能量接近為定值,峰值能量Ep映射結(jié)果與(1)式理論結(jié)果符合很好.同時,圖4(b)給出的截止能量Em隨靶密度增大而減小,隨激光強度增大而增大,與峰值能量Ep呈現(xiàn)出一致的映射規(guī)律.
圖4 He2+離子 (a) 峰值能量 Ep 與 (b) 截止能量 Em 的二維連續(xù)映射圖,其中靶厚 d=15λ0 ,參數(shù)映射范圍為63.2 ≤a ≤173.2和10nc ≤n ≤40ncFig.4.Two-dimensional continuous mapping of peak energy Ep (a) and cutoff energy Em (b) for He2+ over 63.2 ≤a ≤173.2 and 10nc ≤n ≤40nc with d=15λ0 .
圖5 為離子峰值能量代理模型關(guān)于單個輸入?yún)⒘康挠成淝€和峰值能量理論曲線(由(1)式給出)的比照結(jié)果.圖5(a) 給出了He2+離子峰值能量隨靶密度n變化的連續(xù)映射曲線,訓練參數(shù)取值范圍為 10nc≤n≤30nc,預測參數(shù)取值范圍為30nc≤n≤50nc.由圖5(a) 所示,訓練參數(shù)取值范圍內(nèi),代理模型與理論曲線和測試集數(shù)據(jù)吻合程度相當好;在預測參數(shù)取值范圍內(nèi),模型映射值與測試集數(shù)據(jù)偏差小于10%,模型的可靠性可以得到保證.而當n>50nc時,模型映射值與理論值相差超過10%,模型的可靠性不好,所以這里沒有給出映射結(jié)果.若增大訓練參數(shù)取值范圍,則可在更大范圍內(nèi)保證模型預測的可靠性.
圖5 (a) He2+離子 峰值 能量 Ep 關(guān)于靶密度 n 的映 射曲線,其中靶厚 d=15λ0 ,激光強度 a=100 ;(b) He2+離 子峰 值能量Ep關(guān)于激光強度 a 的映射曲線,其中靶厚 d=15λ0 ,靶 密度 n=20nc ;(c) He2+離子峰值 能量 Ep 關(guān)于 靶厚 d 的映射曲 線,其中 靶密度 n=20nc ,激光強度 a=100 ;(d)離子峰值 能量 Ep 關(guān)于離子質(zhì)量數(shù) A 的映 射曲 線,其中靶厚 d=15λ0 ,靶密度 n=20nc,激光強度 a=100 .圖中紅色實線為代理模型的映射曲線,模型標準差用紅色色塊填充于代理模型曲線兩側(cè).藍色虛線給出的是根據(jù)HB-RPA 機制理論公式所繪出的離子峰值能量隨離子密度變化的曲線,黑色實心數(shù)據(jù)點為測試集數(shù)據(jù)點,參數(shù)取值范圍與模型預測范圍用黑色虛線分隔Fig.5.(a) Parameter scan of He2+ peak energy Ep over target density n with d=15λ0 ,a=100 ;(b) parameter scan of He2+peak energy Ep over laser intensity a with d=15λ0 ,n=20nc ;(c) parameter scan of He2+ peak energy Ep over target thickness d with a=100 ,n=20nc ;(d) parameter scan of ion peak energy Ep over ion mass number A with a=100 ,n=20nc and d=15λ0 .The SE mapping curves are drawn with red solid,the theoretical curves are drawn with dashed,the red filled region indicates the standard deviation,and the untrained data from test subset are drawn with black dot.