在激光等离子体物理中运用机器学习进行理论验证与实验条件辨识
等离子体物理
2018-12-18 v1 计算物理
摘要
理论的验证通常基于在适当约化后的实验数据中明显可区分且可描述的特征,而使用第一性原理模拟来解释实验数据通常需要关于初始条件和参数的完整知识。我们在此应用机器学习的方法来克服这些自然限制。我们概述了一些基本的通用思想,并展示如何运用它们来解决高强度激光-等离子体相互作用问题中长期存在的理论与实验困难。我们特别展示了人工神经网络如何“读取”当前通过光谱干涉法分析的激光-等离子体谐波谱中印记的特征。
引用
@article{arxiv.1812.06304,
title = {Employing machine learning for theory validation and identification of experimental conditions in laser-plasma physics},
author = {A. Gonoskov and E. Wallin and A. Polovinkin and I. Meyerov},
journal= {arXiv preprint arXiv:1812.06304},
year = {2018}
}