基于机器学习的聚焦激光脉冲诊断方法
摘要：机器学习方法在处理物理实验结果时被广泛使用。在某些情况下，由于实验数据有限，可以使用基于分析理论的合成数据对ML模型进行预训练，然后使用实验数据进行微调。这种方法的局限性在于分析模型的潜在参数的存在，这些参数的值很难或者无法估计。如果设置这些参数不正确，即使应用于合成数据，也可能引起数据集偏移。为了解决这个问题，我们利用具有随机变化的分析模型的潜在参数的数据集来训练ML模型，以迫使ML模型集中于那些弱依赖于潜在参数的更普遍的模式。我们将这种方法应用于具有复杂波前结构的激光脉冲聚焦问题。当在不同潜在参数值产生的数据集上对ML模型进行训练和测试时，我们观察到了倾斜参数重构的良好精确度。这证实了ML模型能够在没有过度拟合特定潜在参数值固有特征的情况下选择相关信息。我们相信这种方法将丰富机器学习方法在激光脉冲实验诊断中的应用途径。
作者：Y.R. Rodimkov, V.D. Volokitin, I.B. Meyerov and E.S. Efimenko
论文ID：2209.09959
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-09-22