Un gemelo digital enseña al láser a ver exprés
El láser golpea una diminuta rejilla de vidrio y los electrones, al atravesarla, se aceleran. Es imposible ver el interior, así que lo que ocurre se deduce de la energía de los electrones tras la aceleración, igual que por las salpicaduras de una piedra se deduce su forma.
Los científicos construyeron un gemelo digital: un modelo informático que reproduce el comportamiento del acelerador real. A través de él pasaron miles de variantes de pulsos láser y obtuvieron miles de espectros de energía. Luego, la red neuronal aprendió el proceso inverso: a partir del espectro, determinar cómo era el pulso.
Ahora, una sola imagen de la energía de los electrones permite conocer la inclinación del frente del pulso láser con precisión de un grado, y el desplazamiento de fase, hasta 0.36 radianes (esto es una diferencia de 0.4 femtosegundos en el tiempo de llegada). La red neuronal lo resuelve en milisegundos, logrando procesar 50 pulsos por segundo. Así, el acelerador se convierte en su propio sensor, que ve lo que está oculto a las mediciones directas.
El pulso láser puede compararse con una ola que recorre un estadio: los espectadores se levantan y se sientan transmitiendo la ola. La inclinación del frente es como si la ola no avanzara recta, sino en diagonal. La fase es el momento en que el electrón encuentra la cresta de la ola. Ambos parámetros son críticos para la aceleración, y ahora pueden controlarse en tiempo real.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.28549
We present the development of a digital twin-based reconstruction framework for dielectric laser acceleration (DLA) based on machine-learning-assisted inversion of single-shot electron energy spectra. DLA as a promising candidate for compact electron accelerator designs using optical nearfields in dielectric nanostructures lacks on direct diagnostics on the laser-electron interaction. Thus, the outgoing electron energy distribution is one of the few experimentally accessible observables. To exploit this information, DLA interaction and mapping on the downstream spectrometer are treated as nonlinear measurement device whose response is described by the symplectic sixdimensional tracking code DLAtrack6D. This forward simulation model serves as a digital twin mapping laser-electron interaction parameters onto resulting energy spectra. For diagnostics, we are interested in the inverse mapping represented by a neural network trained by synthetic datasets generated with the forward simulation model. The reconstruction performance and parameter identifiability of the inverse model are evaluated for parameter ranges relevant to planned experiments at the ARES linac in the SINBAD facility at DESY. Simulation studies demonstrate that the method can recover pulse front tilt angles with an accuracy of about 1 deg and phase offsets with an RMSE of about 0.36 rad corresponding to a difference of 0.4 fs in arrival time. Training with noisy spectra further improves robustness against spectrometer noise. The trained surrogate model evaluates in the millisecond range, enabling shot-to-shot parameter estimation compatible with the 50 Hz repetition rate of ARES. The approach effectively transforms the DLA interaction region into a virtual in situ diagnostics for otherwise inaccessible laser parameters during experiment and provides a foundation for real-time monitoring and control of future DLA experiments.
Los aceleradores láser dieléctricos prometen ser miles de veces más compactos que los tradicionales: en lugar de túneles de kilómetros, un chip del tamaño de la palma de la mano. Pero por ahora solo aceleran electrones hasta una fracción de la energía de las grandes máquinas.
En la serie «The Expanse», las naves se aceleran con enormes impulsores, pero el futuro podría estar en diminutos chips que controlan la luz con la misma precisión que la red neuronal de este trabajo.