Machine Learning Based Optimization of Laser-Plasma Accelerators

Abstract

Laser-plasma accelerators (LPA) utilize intense laser pulses to drive plasma waves, generating strong electric fields capable of accelerating electrons to relativistic energies. This technology promises accelerator facilities that are orders of magnitude smaller than their conventional counterparts. However, the compactness of LPA systems and the non-linearity of the laser-plasma interaction create a highly coupled environment, where various input and output parameters intricately interconnect. Consequently, manually identifying suitable working points providing the desired beam quality and stability as well as precise tuning of beam parameters to match the demands of specific applications becomes a tedious task, often leading to sub-optimal performance.

The aim of this thesis is to explore the application of machine learning-based methods, particularly Bayesian optimization, within the realm of laser-plasma accelerators. The study involves the implementation of Bayesian optimization to fine-tune the parameters of the Lux accelerator, encompassing simulations and real-time experimentation.

The proposed approach is initially examined through particle-in-cell simulations of the accelerator. After optimizing the system for beam quality, the predictive model built by the optimizer is employed to identify sources of instability and explore potential avenues for improvement. Subsequently, Bayesian optimization is implemented for online control of the experiment. Various methods to address experimental noise and parameter fluctuations are investigated, leading to the identification of techniques emphasizing ultimate beam quality or stability. This way the machine can autonomously tune itself to generate electron beams with sub-percent energy spread and significant charge. Furthermore, a robust operational regime with less than five percent energy spread for 90 % of all shots is identified and studied.

Finally, Bayesian optimization targeting multiple beam parameters enables the identification of tuning curves allowing precise adjustments to specific beam properties while maintaining optimal beam quality. These complex tuning curves describe the intricate balancing of multiple laser and plasma parameters to achieve the most favorable tuning of beam parameters. This approach facilitates charge tuning over nearly 100 pC for various beam energies, while keeping energy spreads below 5 %.

In combination, the methods presented in this thesis provide valuable tools for effectively managing the inherent complexity of LPAs, spanning from the design phase in simulations to real-time operation, potentially paving the way for LPAs to cater to a wide array of applications with diverse demands.

Laser-Plasma-Beschleuniger (LPA) nutzen intensive Laserpulse, um Plasma-Wellen zu erzeugen und starke elektrische Felder zu generieren, die Elektronen auf relativistische Energien beschleunigen. Diese Technologie verspricht Beschleunigeranlagen, die um ein Vielfaches kleiner sind als herkömmliche Linearbeschleuniger. Allerdings führen die Kompaktheit von LPA-Systemen und die Nichtlinearität der Laser-Plasma-Wechselwirkung zu einer stark gekoppelten Umgebung, in der verschiedene Eingabe- und Ausgabeparameter auf komplexe Weise miteinander verbunden sind. Dadurch gestaltet sich die manuelle Suche geeigneter Arbeitspunkte für die gewünschte Strahlqualität und Stabilität sowie die präzise Feinabstimmung auf die Anforderungen spezifischer Anwendungen als mühsame Aufgabe, die oft zu suboptimalen Ergebnissen führt.

Das Ziel dieser Arbeit ist es, die Anwendung von Methoden auf Basis von maschinellem Lernen, insbesondere der Bayes'sche Optimierung, im Bereich der Laser-Plasma-Beschleuniger zu untersuchen. Die Studie umfasst die Implementierung der Bayes'sche Optimierung zur Feinabstimmung der Parameter des Lux-Beschleunigers, sowohl in Simulationen als auch in Echtzeit-Experimenten.

Der verfolgte Ansatz wurde zunächst in Particle-in-Cell-Simulationen des Beschleunigers untersucht. Ein Vorhersagemodell, das bei der Optimierung erstellt wurde, diente dazu, Instabilitätsquellen zu identifizieren und potenzielle Verbesserungswege zu erkunden. Im Anschluss daran wurde die Bayes'sche Optimierung für die Echtzeitsteuerung des Experiments implementiert. Verschiedene Methoden zur Bewältigung von experimentellen Rauschen und Parameterfluktuationen wurden untersucht und Techniken entwickelt, die geziehlt Strahlqualität oder Stabilität optimieren. Auf diese Weise gelang es dem Beschleuniger, sich autonom einzustellen und Elektronenstrahlen mit einer Energiebreite unter einem Prozent bei signifikanter Ladung zu erzeugen. Darüber hinaus wurde ein Betriebsregime identifiziert und untersucht, das eine deutlich verbesserte Stabilität aufwies und für 90 % aller Schüsse eine Energiebreite von weniger als fünf Prozent erzielte. Schließlich wurde die Bayes'sche Optimierung mehrerer Strahlparameter verwendet, um Regelungskurven zu identifizieren, die präzise Änderungen spezifischer Strahleigenschaften ermöglichen und gleichzeitig eine optimale Strahlqualität beibehalten. Diese Kurven beschreiben komplexe Variationen der Parameter des Lasers und des Plasmas, die es ermöglichen, die Ladung über nahezu 100 Picocoulomb für verschiedene Strahlenergien zu variieren, während die Energiebreite unter 5 Prozent bleibt.

In Kombination bieten die in dieser Arbeit präsentierten Methoden wertvolle Werkzeuge, um die inhärente Komplexität von LPAs effektiv zu bewältigen---von der Entwurfsphase in Simulationen bis hin zum Echtzeitbetrieb. Dadurch eröffnet sich das Potenzial mit LPAs, eine breite Palette von Anwendungen mit vielfältigen Anforderungen zu bedienen.