基于正演与反演深度神经网络的高能密度黑腔设计
仪器与探测器
2021-03-17 v1
摘要
我们提出一项利用机器学习改进不透明度测量实验用黑腔设计的研究。对于不透明度实验，我们期望一种黑腔，当其内壁被国家点火装置（NIF）激光照射时，能够产生高辐射通量，在测量时间窗口内将中心样品加热至恒定温度。给定基线黑腔设计与计算模型，我们训练一个深度神经网络来预测由Dante诊断设备测得的辐射温度随时间演化。这使我们能够快速探索设计空间并确定调整设计参数的影响。我们还构建了一个“反演”机器学习模型，该模型在给定所需辐射温度时间历程的情况下预测设计参数。使用机器学习模型的计算表明，相对于基线黑腔的性能改进将降低实验不透明度测量的不确定性。
引用
@article{arxiv.2009.03269,
title = {High-Energy Density Hohlraum Design Using Forward and Inverse Deep Neural Networks},
author = {Ryan G. McClarren and I. L. Tregillis and Todd J. Urbatsch and E. S. Dodd},
journal= {arXiv preprint arXiv:2009.03269},
year = {2021}
}
备注
8 pages, 7 figures