Characterization and automated optimization of laser-driven proton beams from converging liquid sheet jet targets

Diese Arbeit präsentiert eine Multi-Hz-lasergetriebene Ionenbeschleunigungsplattform unter Verwendung von Flüssigkeitsschichtstrahl-Targets, die durch Echtzeit-Closed-Loop-Bayessche Optimierung der Laserwellenfront eine Steigerung der maximalen Protonenenergie um 11 % erreicht und damit einen Weg zu robusten, hochrepetitiven Ionenquellen aufzeigt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, eine winzige, sich bewegende Zielscheibe mit einem superstarken Taschenlampenstrahl zu treffen, um einen Ausbruch winziger, schnell bewegender Teilchen (Protonen) zu erzeugen. Dies ist im Wesentlichen das, was Wissenschaftler tun, wenn sie Hochleistungslaser verwenden, um Teilchenstrahlen zu erzeugen. Diese Strahlen sind vielversprechend für Dinge wie medizinische Behandlungen und wissenschaftliche Forschung, aber es gibt einen Haken: Normalerweise kann man immer nur einen „Schuss“ zur Zeit abgeben, und die Ergebnisse sind unvorhersehbar. Um diese Strahlen für reale Aufgaben nutzbar zu machen, müssen Sie in der Lage sein, sie wiederholt abzufeuern (wie ein Maschinengewehr statt eines Einzelschussgewehrs) und sicherzustellen, dass sie das Ziel jedes Mal perfekt treffen.

Dieses Papier beschreibt ein erfolgreiches Experiment, das genau das getan hat: Es hat ein stabiles, wiederholbares „Maschinengewehr“ aus Protonen erschaffen und einem Computer beigebracht, den Laser so abzustimmen, dass der Strahl noch besser wird.

Hier ist eine Aufschlüsselung dessen, was sie getan haben, unter Verwendung einfacher Analogien:

1. Das Ziel: Ein „Wasserblatt“ statt einer festen Wand

Normalerweise schießen Wissenschaftler Laser auf feste Metall- oder Kunststoffplatten. Aber wenn man einen leistungsstarken Laser auf eine feste Platte schießt, wird diese beschädigt, und man muss sie nach jedem Schuss ersetzen. Das ist langsam und unordentlich.

Stattdessen verwendeten dieses Team ein flüssiges Wasserblatt. Stellen Sie sich einen sehr dünnen, kontinuierlichen Wasserfall vor, der eine Wand hinunterfließt, aber nur ein paar hundert Nanometer dick ist (dünner als ein menschliches Haar).

• Warum es cool ist: Da das Wasser ständig fließt, trifft der Laser bei jedem einzelnen Schuss auf eine frische, saubere Oberfläche. Es ist, als hätte man einen ständigen Vorrat an frischem Papier zum Schreiben, anstatt zu versuchen, dasselbe Blatt immer wieder zu löschen und wiederzuverwenden.
• Das Ergebnis: Sie bewiesen, dass diese „Wasserwand“ den Laserstrahl 5 Mal pro Sekunde (und potenziell viel schneller) überstehen kann, ohne zu brechen oder Trümmer zu erzeugen, die die Ausrüstung ruinieren würden.

2. Das Experiment: Die „Taschenlampe“ abstimmen

Sob sich ein stabiles Ziel gesichert hatten, mussten sie herausfinden, wie sie das beste Protonenstrahl-Ergebnis aus ihm herausholen können. Sie testeten drei Hauptaspekte:

• Der Winkel des Lichts (Polarisation): Stellen Sie sich das Laserlicht als eine Welle vor. Sie versuchten, die Welle seitwärts zu schütteln (s-polarisiert), auf und ab (p-polarisiert) oder kreisförmig (zirkular).
  • Die Erkenntnis: Das Auf-und-Ab-Schütteln der Welle (p-polarisiert) war der klare Gewinner. Es erzeugte dreimal mehr Energie und zehnmal mehr Teilchen als die anderen Methoden. Es ist, als würde man feststellen, dass das Schubsen einer Schaukel im exakt richtigen Moment sie viel höher schwingen lässt als ein zufälliges Schubsen.
• Die Form des Impulses: Sie veränderten das „Tempo“ des Laserimpulses (ihn etwas länger oder kürzer zu machen).
  • Die Erkenntnis: Der „perfekt komprimierte“ Impuls (die Standardeinstellung) funktionierte am besten. Ihn zu lang oder zu kurz zu machen, verschlechterte die Ergebnisse tatsächlich.
• Die Form des Strahls (Wellenfront): Dies ist vergleichbar mit dem Einstellen des Fokus und der Form eines Kameraobjektivs. Wenn das Objektiv leicht verzogen ist, wird das Bild unscharf. Sie verwendeten einen speziellen Spiegel (einen deformierbaren Spiegel), der sich in Echtzeit biegen und verdrehen kann, um die Form des Laserstrahls zu korrigieren.

3. Die „intelligente“ Optimierung: Dem Computer das Autofahren beibringen

Dies ist der aufregendste Teil. Anstatt dass ein menschlicher Wissenschaftler Tage damit verbringt, manuell an Knöpfen zu drehen, um die perfekte Einstellung zu finden, verwendeten sie Maschinelles Lernen (speziell Bayessche Optimierung).

• Die Analogie: Stellen Sie sich vor, Sie versuchen, den höchsten Punkt in einer nebligen Gebirgslandschaft zu finden, aber Sie können nur wenige Meter weit um sich herum sehen.
  • Der alte Weg: Sie gehen in einem Gittermuster vor, indem Sie jeden einzelnen Punkt überprüfen. Das dauert ewig, und Sie könnten den Gipfel verpassen, wenn die Karte zu groß ist.
  • Der neue Weg (Bayessche Optimierung): Sie haben einen klugen Führer. Sie machen einen Schritt, schauen sich um, und der Führer nutzt das, was er gelernt hat, um zu raten, wo der Gipfel wahrscheinlich liegt. Er führt Sie dorthin, prüft die Lage und aktualisiert seine Karte. Er lernt aus jedem Schritt, selbst aus denen, die bergab führten.
• Das Ergebnis: Der Computer passte die Form des Laserspiegels automatisch an. Er fand nicht nur eine „gute“ Einstellung; er fand eine Einstellung, die die maximale Energie der Protonen im Vergleich zu einer zuvor von einem Menschen manuell optimierten Einstellung um 11 % steigerte. Er sorgte auch dafür, dass der Laserstrahl enger fokussiert wurde, wodurch mehr Energie auf einen kleineren Punkt konzentriert wurde.

4. Das Beobachten der „Explosion“

Sie verwendeten auch einen zweiten, schwächeren Laser, um „Fotos“ davon zu machen, was mit dem Wasserziel geschah, nachdem der Hauptlaser darauf getroffen hatte.

• Sie sahen, wie das Wasser zu Plasma (superheißem Gas) wurde und unglaublich schnell expandierte.
• Sie beobachteten, wie sich eine „Schockwelle“ bildete und nach außen drang, ähnlich wie die Wellen, die man sieht, wenn man einen Stein in einen Teich wirft, jedoch in einem Bruchteil einer Milliardstel Sekunde.
• Dies bestätigte, dass sich das Wasserziel schnell genug regeneriert und erneuert, um das Hochgeschwindigkeitsfeuern zu bewältigen.

Zusammenfassung

Das Papier beweist, dass:

1. Flüssige Wasserblätter ein fantastisches, haltbares Ziel für die wiederholte Erzeugung von Protonenstrahlen sind.
2. P-polarisierte Laser (Auf-und-Ab-Schütteln) für diesen Aufbau am besten funktionieren.
3. KI-gesteuerte Optimierung den Laser automatisch so abstimmen kann, dass bessere Ergebnisse erzielt werden als durch einen Menschen, was diese Teilchenquellen zuverlässiger und leistungsfähiger macht.

Diese Arbeit ist ein bedeutender Schritt dahin, lasergetriebene Teilchenbeschleuniger klein, stabil und bereit für den realen Einsatz zu machen, anstatt sie nur als einmalige wissenschaftliche Experimente zu nutzen.

Technische Zusammenfassung

Technische Zusammenfassung: Charakterisierung und automatisierte Optimierung lasergetriebener Protonenstrahlen aus konvergierenden flüssigen Blattschicht-Target-Systemen

Problemstellung
Lasergetriebene Protonenbeschleuniger bieten vielversprechende Möglichkeiten für Anwendungen in der Medizin, Materialwissenschaft und Grundlagenphysik, die durch hohe Spitzenflüsse und niedrige Emittanz gekennzeichnet sind. Um jedoch ihr volles Potenzial auszuschöpfen, ist ein Betrieb mit hoher Repetitionsrate (HRR) (Hz bis kHz) erforderlich, um den nachhaltigen durchschnittlichen Fluss zu erzeugen, der für praktische Anwendungen notwendig ist. Ein kritischer Engpass ist die Entwicklung robuster Targetsysteme, die in der Lage sind, harschen Strahlungsumgebungen standzuhalten und die Positionsstabilität innerhalb enger Rayleigh-Bereiche über längere Zeiträume aufrechtzuerhalten. Es besteht ein Bedarf an stabilen, regenerierbaren Target-Plattformen, die mit Techniken des maschinellen Lernens zur autonomen Echtzeit-Optimierung von Strahlparametern kompatibel sind.

Methodik
Die Autoren verwendeten ein flüssiges Wasserblattschicht-Target, das durch eine Wolfram-Mikrofluidik-Düse erzeugt wurde und eine 600 ± 100 nm dicke Schicht mit einer Geschwindigkeit von ~10 m/s produzierte. Dieses Target wurde vom TA2-Lasersystem am Central Laser Facility (UK) bestrahlt, das Pulse mit bis zu 200 mJ Energie, einer Dauer von 75 ± 5 fs und Intensitäten von bis zu 3 × 10¹⁹ W/cm² bei einer Repetitionsrate von bis zu 5 Hz lieferte (der Großteil der Daten wurde bei 1 Hz erhoben).

Der Versuchsaufbau umfasste eine umfassende Palette an Diagnostika:

• Optische Schattengraphie: Ein unabhängiger 800-nm-Probenpuls (40 fs) mit variabler Verzögerung wurde verwendet, um die Plasmaexpansion und Schockbildung bis zu ~700 ps nach der Wechselwirkung zu überwachen.
• Partikeldiagnostik: Ein magnetischer Elektronen-Spektrometer maß nach vorne gerichtete heiße Elektronen. Ein auf Szintillatoren basierender Protonenstrahl-Profiler und ein Diamantdetektor-Time-of-Flight (ToF)-Spektrometer charakterisierten die räumliche Verteilung und die Energiespektren der beschleunigten Protonen.
• Kontrollsysteme: Die Laserfront wurde mittels eines deformierbaren Spiegels (DM) manipuliert, der über sechs Zernike-Modenkoeffizienten gesteuert wurde. Ein akusto-optischer programmierbarer Filter (AOPDF) ermöglichte die Abstimmung der Gruppenlaufzeitdispersion (GDD) und der Drittordnungsdispersion (TOD).

Die Studie verwendete zwei primäre analytische Ansätze:

1. Parametrische Scans: Systematische 1D- und 2D-Gitter-Scans über die Targetposition und Laserparameter (Polarisation, Dispersion), um Stabilität und Kopplung zu charakterisieren.
2. Bayessche Optimierung (BO): Ein geschlossener Regelkreis zur Echtzeit-Optimierung unter Verwendung von Gauß-Prozess-Regression, um die maximale Protonenenergie ($E_{max}$) zu maximieren. Der Optimierer passte die Laserfront (Zernike-Koeffizienten) basierend auf dem Feedback des ToF-Spektrometers an.

Wesentliche Beiträge und Ergebnisse

• Target-Stabilität und Dynamik: Das flüssige Blattschicht-Target zeigte eine Shot-zu-Shot-Stabilität, die für den HRR-Betrieb geeignet ist. Die optische Schattengraphie enthüllte, dass sich das überdichte Plasma anfangs mit ~0,3c ausdehnte, gefolgt von der Bildung filamentärer Strukturen (attributiert auf Weibel-Instabilitäten) und einer Schockfront. Nach ~400 ps war die gestörte Region bei ~50 µm gesättigt, was darauf hindeutet, dass das Target sich ausreichend für kHz-Repetitionsraten erholt – obwohl weitere fluiddynamische Studien zur Skalierung erforderlich sind.
• Polarisationsabhängigkeit: Die Studie bestätigte eine starke Abhängigkeit der Beschleunigungseffizienz von der Laserpolarisation. P-polarisierte Pulse lieferten Protonen-Maximalenergien, die etwa 3 Mal höher waren als bei s-polarisierten Pulsen, und Spitzen-Dosen, die nahezu zwei Größenordnungen höher waren als bei s-polarisierten und eine Größenordnung höher als bei zirkular polarisierten Pulsen. Dies wird auf verstärkte Vacuum-Heating-Mechanismen in der Wechselwirkung mit p-polarisierten Pulsen bei einer scharfen Plasma-Dichtegradienten erklärt.
• Impulsformung: Scans von GDD und TOD zeigten, dass die beste Kompressionskonfiguration ($\Delta$GDD = 0, $\Delta$TOD = 0) im Allgemeinen die höchsten Elektronenerträge und Protonenenergien lieferte. Eine positive TOD, welche die Anstiegsflanke des Pulses verlängern kann, verbesserte die Leistung in diesem spezifischen Regime nicht.
• Automatisierte Optimierung: Der Algorithmus der Bayesschen Optimierung konnte die Laserfront erfolgreich in Echtzeit abstimmen. Ausgehend von einem manuell optimierten Fokus steigerte das BO-Schema die maximale Protonenenergie um 11 % (von 5,4 MeV auf 6,0 ± 0,1 MeV). Diese Verbesserung korrelierte mit einer Reduktion des Radius, der 50 % der Pulsenergie enthält, um 13 %, was auf eine verbesserte Energiekonzentration im Fokuspunkt hindeutet. Bemerkenswert ist, dass der integrierte Protonenfluss auf dem ToF-Detektor während der Optimierung um 60 % anstieg, obwohl der Fluss nicht die explizite Zielfunktion war.
• Parameterkorrelationen: Das BO-Modell erschloss Korrelationen zwischen spezifischen Zernike-Moden (z. B. horizontale Koma und vertikale Astigmatismus) hinsichtlich ihres Effekts auf die Protonenenergie. Diese Korrelationen bildeten jedoch nicht direkt auf Änderungen der Fernfeld-Spitzenlaserintensität ab, was darauf hindeutet, dass die Optimierung subtile Wellenfront-Formungseffekte auf die Plasma-Wechselwirkung nutzte, statt lediglich die Intensität zu maximieren.

Bedeutung
Diese Arbeit zeigt, dass flüssige Blattschicht-Targets eine stabile, schadstoffminimierte Plattform für hochrepetitive lasergetriebene Ionenbeschleunigung bieten. Die Studie etabliert die Lebensfähigkeit des Einsatzes von maschinellem Lernen, speziell der Bayesschen Optimierung, um die Laserwellenfront autonom und in Echtzeit zur Verbesserung der Strahlleistung abzustimmen. Durch die Erzielung einer 11 % höheren maximalen Protonenenergie sowie eines signifikant höheren Flusses durch eine Closed-Loop-Steuerung ebnet diese Arbeit den Weg für anwendungsklare Protonenquellen. Solche Quellen können Multi-MeV-Spitzenenergien mit Multi-Hz-Repetitionsraten liefern und sind aktiv stabilisiert und optimiert, um die strengen Anforderungen zukünftiger Anwendungen in der Isotopenerzeugung und der Entwicklung hybrider Beschleuniger zu erfüllen. Die Autoren betonen, dass die aktuellen Ergebnisse zwar vielversprechend sind, jedoch weitere Untersuchungen des komplexen Zusammenspiels zwischen Laserwellenfront und Target-Plasma erforderlich sind, um die zugrunde liegende Physik der beobachteten Optimierungen vollständig zu verstehen.