FenixEdu™

Dissertação

{pt_PT=Machine learning controlled plasma based acceleration} {} EVALUATED

Detalhes: {pt=Recentemente utilizaram-se algoritmos genéticos para controlar aceleradores a plasma usando impulsos lasers ultracurtos para aceleração de eletrões. Neste trabalho esta técnica é usada para fazer experiências virtuais de controlo e otimização desses mesmos aceleradores. O algoritmo genético foi implementado no ZPIC, um código particle-in-cell (PIC) totalmente relativista. O algoritmo é bastante automatizado: depois de informado do conjunto de parâmetros iniciais, lança várias simulações em paralelo, analisa os resultados e termina automaticamente quando os critérios de convergência são alcançados. Este código pode portanto ser corrido em supercomputadores. Depois de um benchmark a PIC 1D, resultados de simulações 1D e 2D são apresentados. Em 1D, a otimização focou-se em plasmas com densidade não uniforme e em lasers com perfis longitudinais variáveis. Em 2D, o papel da frente de onda na aceleração é considerada: a distância de aceleração, a radiação emitida pelos electrões e a eficiência energética (mais partículas num intervalo de energia) foram todas otimizadas via um laser que não era perfeitamente gaussiano. Os resultados da eficiência energética corroboram as teses de outros estudos, mas os resultados da distância de aceleração e radiação são novos e podem levar a experiências para os testar. O algoritmo é geral, e pode ser imediatamente aplicado a qualquer outra classe de problemas de otimização em física de plasma., en=Recent experiments have employed genetic algorithms to control plasma-based accelerators, in particular using ultra-short laser pulses to drive the acceleration of electrons. In this work this technique is used to perform virtual experiments of control and optimization of such accelerators. The genetic algorithm was implemented in ZPIC, a fully relativistic particle-in-cell code. The algorithm is almost fully automated: after being informed of the first set of inputs to test, it creates an initial set of input parameters, launches several simulations in parallel, analyses the results, and ends automatically once given convergence criteria are reached. The algorithm can thus take full advantage of large-scale supercomputers. After a benchmark test in 1D, results from both 1D and 2D simulations are presented. In 1D, the optimization focus on plasmas with non-uniform density and lasers with variable longitudinal envelope profiles. In 2D, the role of distorted wave-fronts in the acceleration is considered: the acceleration distance, the radiation produced by the electrons and the energy efficiency (most particles in an energy range) were all optimized via a laser which was not perfectly gaussian. The energy efficiency result corroborate findings from other studies, but the acceleration distance and radiation results are new and can pave way to experiments to test these discoveries. The algorithm is general, and can be readily applied to any other class of optimization problems in plasma physics.}
Keywords: {pt=Aprendizagem Automática, Algoritmo Genético, Plasma, Otimização, Laser, en=Machine Learning, Genetic Algorithm, Plasma, Optimization, Laser}

Discussão: novembro 14, 2018, 14:0