Ontwerp van transient plasma-fotonische structuurspiegels voor hoogvermogenslasers met deep kernel Bayesian optimalisatie

Onweerskracht in een doos benutten

Het bouwen van steeds krachtigere lasers lijkt een beetje op proberen een rivier door een rietje te leiden: het glas en de spiegels die het licht geleiden kunnen maar tot op zekere hoogte bestand zijn voordat ze breken. Dit artikel onderzoekt een radicaal andere manier om extreme laserbundels te sturen zonder iets te laten verbrijzelen. In plaats van te vertrouwen op vaste spiegels gebruiken de auteurs wolken van geïoniseerd gas — plasma — die intensiteiten verdragen die normale optica zouden vernietigen. Met behulp van geavanceerde machine learning laten ze zien hoe je deze plasma’s kunt vormen tot tijdelijke, sterk reflecterende structuren die de optica achter de lasers van morgen kunnen verkleinen en versterken.

Spiegels van niets maken

Wanneer intense laserpulsen door een gas gaan, kunnen ze elektronen van atomen losrukken en het gas in plasma veranderen. Als twee sterke “pomplasers” elkaar in dit plasma ontmoeten, vormen hun overlappende elektrische velden een herhalend patroon, zoals rimpels waar twee golfpatronen elkaar kruisen in een vijver. Dit patroon duwt de lichte elektronen veel sneller heen en weer dan de zware ionen kunnen volgen. In enkele biljardsten van een seconde trekt de beweging van de elektronen aan de ionen en herschikt ze tot een stapeling van dichtere en minder dichte lagen — een tijdelijke kristalachtige structuur van plasma. Omdat deze lagen precies op de juiste afstand staan, werken ze als een Bragg-spiegel en reflecteren ze een andere “probe” laserbundel zeer efficiënt, ook al is er niets vasts aanwezig.

Waarom ontwerp zo moeilijk is

Dit idee omzetten in een werkend optisch component is niet eenvoudig. De gelaagde plasma-structuur ontstaat, ontwikkelt zich en vervaagt op ultrakorte tijdschalen, en haar eigenschappen hangen af van veel onderling verbonden knoppen: de intensiteiten, duur en aankomsttijden van de pomp- en probepulsen, de initiële gasdichtheid en de afmetingen van het plasmaveld. Traditioneel zouden fysici enorme batches computersimulaties uitvoeren en één parameter tegelijk scannen, maar dat wordt al snel onhoudbaar wanneer zeven of meer parameters elkaar beïnvloeden. Erger nog, het veranderen van één knop kan de beste waarden voor alle anderen verschuiven, waardoor naïeve proef-en-fout‑sweeps enorme rekentijd verspillen en toch de beste ontwerpen kunnen missen.

Een algoritme het laten verkennen

Om deze complexiteit aan te pakken koppelen de auteurs gedetailleerde plasmasimulaties aan een moderne optimalisatiemethode genaamd deep kernel Bayesian optimalisatie. In wezen trainen ze een statistisch “surrogaat”model dat leert hoe verschillende parametercombinaties de spiegelprestaties beïnvloeden, met slechts een bescheiden aantal dure simulaties als trainingsdata. Een neuraal netwerk transformeert eerst de invoerparameters naar een informatiever representatie, en vervolgens schat een Gaussian-process-laag, met foutbalken, hoe goed een nieuw ontwerp waarschijnlijk zal zijn. Bij elke stap kiest het algoritme de volgende simulatie die uitgevoerd moet worden op de plek waar het de grootste winst verwacht — ofwel door een veelbelovend ontwerp te verbeteren of door onzeker terrein te verkennen. Deze aanpak zoomt snel in op plasma-structuren die meer dan 99 procent van de energie van de probe reflecteren, of die fungeren als 50/50 beamsplitters, en kan worden uitgebreid naar complexere tweedimensionale focusgeometrieën.

Een verrassing: ingebouwde pulscompressie

Omdat de optimalisatie alleen gestuurd wordt door een doel — zoals “maximaliseer de piekhelderheid van de gereflecteerde puls” — en niet door menselijke verwachtingen, kan ze onverwacht gedrag tegenkomen. Toen de auteurs het algoritme vroegen de piekintensiteit te maximaliseren, vond het een regime waarin de plasmamirror niet alleen bijna alle energie reflecteerde, maar ook een aanvankelijk onaangepaste (onverschoven) laserpuls tot een veel kortere, helderdere puls samendrukte. Binnen de evoluerende plasmalagen zien verschillende delen van de puls licht verschillende bewegingen en tussenruimtes van de spiegel, wat leidt tot kleine frequentieverschuivingen en een breder kleurenspectrum, vergelijkbaar met echo’s van geluid die terugkaatsen op bewegende wanden. Het resultaat is een gecomprimeerde, intensere gereflecteerde puls, bereikt zonder de ingewikkelde voorvormgeving die normaal nodig is voor pulscompressie.

Wat dit betekent voor toekomstige lasers

Voor niet‑specialisten komt het erop neer dat dit werk laat zien hoe je “virtuele” spiegels van plasma kunt maken die laservermogens kunnen weerstaan ver boven wat glas aankan, en hoe je ze efficiënt kunt ontwerpen met machine learning. Deze tijdelijke plasma-spiegels kunnen worden afgestemd om te fungeren als bijna perfecte reflectoren, beamsplitters, of zelfs als apparaten die laserpulsen ter plaatse verscherpen en verhelderen. Door een algoritme door de rommelige fysica te laten zoeken en veelbelovende configuraties te benadrukken, verkrijgen onderzoekers zowel praktische ontwerpen voor generatie‑volgende lasersystemen als nieuw inzicht in hoe licht en plasma op extreme tijd‑ en energieschalen met elkaar omgaan.

Bronvermelding: Ivanov, S., Ersfeld, B., Dong, F. et al. Design of transient plasma photonic structure mirrors for high-power lasers using deep kernel Bayesian optimisation. Commun Phys 9, 34 (2026). https://doi.org/10.1038/s42005-026-02505-x

Trefwoorden: hoogvermogenslasers, plasma spiegels, compressie van laserpulsen, Bayesiaanse optimalisatie, machine learning in de natuurkunde