هوش مصنوعی سرعت شبیهسازی لیزرهای فوقسریع را ۲۵۰ برابر افزایش داد
پژوهشگران با توسعه یک مدل مبتنی بر یادگیری عمیق موفق شدهاند شبیهسازی فرایندهای پیچیده نوری در سامانههای لیزر فوقسریع را با سرعتی بیش از ۲۵۰ برابر افزایش دهند؛ دستاوردی که میتواند تحول مهمی در کنترل آزمایشهای مبتنی بر لیزر شتابدهندههای ذرات و تولید پرتوهای پرقدرت ایکس ایجاد کند.
به گزارش ساینس دیلی، این پژوهش توسط محققانی از دانشگاه استنفورد، دانشگاه کالیفرنیا لسآنجلس (UCLA) و آزمایشگاه ملی شتابدهنده SLAC انجام شده و نتایج آن در نشریه علمی Advanced Photonics منتشر شده است.
چالش بزرگ شبیهسازی لیزرهای فوقسریع
شبیهسازی رفتار نوری در سامانههای لیزر فوقسریع یکی از دشوارترین مسائل محاسباتی در حوزه فوتونیک و اپتیک غیرخطی به شمار میرود. این سامانهها برای تولید پالسهای بسیار کوتاه نوری و کنترل دقیق آنها به مدلسازیهای پیچیدهای نیاز دارند که معمولا به توان پردازشی بسیار بالا وابستهاند.
در روشهای سنتی پژوهشگران برای شبیهسازی انتشار پالسهای لیزری از حل معادله غیرخطی شرودینگر با استفاده از روش موسوم به فوریه گامبهگام یا Split-Step Fourier Method (SSFM) استفاده میکنند. اگرچه این روش دقت بالایی دارد، اما به دلیل انجام مداوم تبدیل میان حوزه زمان و حوزه فرکانس در هر مرحله از محاسبات بسیار زمانبر و پرهزینه است.
به گفته محققان همین مرحله به تنهایی حدود ۹۵ درصد زمان اجرای شبیهسازی کامل سامانه لیزری را به خود اختصاص میدهد؛ موضوعی که امکان دریافت بازخورد سریع در آزمایشهای پیشرفته را محدود میکند.
تمرکز پژوهش بر اپتیک غیرخطی و تولید پرتو ایکس
این تحقیق بر فرایندهای اپتیکی موسوم به اپتیک غیرخطی مرتبه دوم یا χ² متمرکز است. در این فرایندها، امواج نوری درون بلورهای ویژه با یکدیگر تبادل انرژی انجام میدهند و در نتیجه فرکانسهای جدید و شکلهای متفاوتی از پالسهای نوری تولید میشود.
این فناوری نقشی کلیدی در زیرساختهای شتابدهنده ذرات و تولید پرتوهای ایکس دارد. برای مثال در نسخه ارتقایافته منبع نور منسجم لیناک موسوم به LCLS-II در آزمایشگاه SLAC، پالسهای لیزری مادون قرمز ابتدا به نور سبز و سپس به نور فرابنفش تبدیل میشوند.
پالس فرابنفش حاصل به یک کاتد برخورد کرده و موجب آزاد شدن دستهای از الکترونها میشود. این الکترونها سپس شتاب گرفته و به گونهای شکلدهی میشوند که در نهایت پالسهای پرقدرت پرتو ایکس برای انجام آزمایشهای علمی تولید شود.
پژوهشگران توضیح دادند که زمانبندی و شکل دقیق پالس فرابنفش تاثیر مستقیمی بر رفتار دسته الکترونی و کیفیت نهایی پرتو ایکس دارد؛ بنابراین هرگونه بهبود در شبیهسازی این فرایند میتواند دقت و کارایی آزمایشهای علمی را افزایش دهد.
جایگزینی کندترین بخش شبیهسازی با یادگیری عمیق
برای حل این چالش، تیم تحقیقاتی از شبکههای عصبی بازگشتی نوع Long Short-Term Memory یا LSTM استفاده کرد؛ معماریای از هوش مصنوعی که پیشتر برای مدلسازی انتشار پالس در فیبرهای نوری کاربرد داشت.
محققان این سامانه را بهطور ویژه برای محیط پیچیده χ² طراحی کردند؛ محیطی که در آن چندین میدان نوری به صورت همزمان با یکدیگر تعامل دارند.
تیم پژوهشی مدل خود را با استفاده از فرایندی موسوم به تولید فرکانس جمعی غیرهمخط یا Noncollinear Sum-Frequency Generation (SFG) آزمایش کرد؛ فرایندی که در آن سه میدان نوری کوپلشده بهطور همزمان و در شرایط مختلف پالس تکامل پیدا میکنند و از این نظر، آزمونی دشوار برای ارزیابی عملکرد مدل به شمار میرود.
یکی از تصمیمات کلیدی در طراحی این مدل، انجام کامل محاسبات در یک نمایش فشرده در حوزه فرکانس بود. این رویکرد باعث شد نیاز به تبدیل مداوم میان حوزه زمان و فرکانس حذف شود و هزینه محاسباتی به شکل چشمگیری کاهش یابد.
شبیهسازی در حد چند میلیثانیه
نتایج نشان داد مدل مبتنی بر هوش مصنوعی توانسته است پروفایل زمانی و طیفی پالسها را در شرایط بسیار متنوع از جمله در حضور مدولاسیون فازی شدید و حفرههای طیفی قابل توجه با دقت بالا بازتولید کند.
همچنین با استفاده از پردازش دستهای روی پردازندههای گرافیکی (GPU)، زمان متوسط هر شبیهسازی به تنها چند میلیثانیه کاهش یافت؛ سرعتی که چندین مرتبه بزرگتر از روشهای متداول است.
پژوهشگران اعلام کردند زمانی که مدل خروجی اصلی فرایند SFG را بهدرستی پیشبینی میکرد، سایر میدانهای نوری ثانویه نیز تطابق بسیار نزدیکی با نتایج شبیهسازی سنتی داشتند.
گامی به سوی دوقلوهای دیجیتال در سامانههای لیزری
هدف بلندمدت این پروژه ادغام مستقیم مدلهای جایگزین مبتنی بر هوش مصنوعی در سامانههای عملیاتی لیزر است. طراحی ماژولار این فناوری امکان آن را فراهم میکند که هر فرایند فیزیکی به صورت یک بلوک مستقل آموزشدیده در کنار سایر بخشها قرار گیرد و در نهایت یک مدل پیشبینیکننده جامع برای تعامل همزمان با آزمایشهای واقعی ایجاد شود.
به گفته محققان ترکیب این مدلهای سریع یادگیری ماشین با سامانههای آزمایشگاهی زنده میتواند در آینده زمینهساز توسعه دوقلوهای دیجیتال روشهای کنترل تطبیقی و اتصال هوشمندتر ابزارهای تشخیصی در طیف گستردهای از مراکز تحقیقاتی مبتنی بر لیزر شود.
انتهای پیام/
