使用深核贝叶斯优化为高功率激光设计瞬态等离子体光子结构镜面

在盒子里驾驭闪电

建造越来越强的激光有点像试图把一条河水通过吸管输送：引导光束的玻璃和镜面在承受能力上总有极限，超过就会损坏。本文探讨了一种截然不同的方法，用以在不破坏任何东西的情况下操纵极强的激光束。作者不依赖固体镜，而是使用电离气体——等离子体——它能承受普通光学元件会被摧毁的高强度。在先进机器学习的帮助下，他们展示了如何将这些等离子体塑造成临时的、高反射性的结构，从而缩小并强化未来超高功率激光系统所需的光学元件。

用薄空气做镜子

当强烈的激光脉冲通过气体时，会把电子从原子中撕离，使气体变成等离子体。如果两束强泵浦激光在该等离子体中相遇，它们重叠的电场会形成一种周期性图样，像两组波在池塘交汇时产生的波纹。这个图样把轻的电子来回推拉，其速度远快于沉重离子的响应。在几万亿分之一秒的时间尺度内，电子的运动牵引离子，将其重新排列成一层更密与更疏的交替结构——一种由等离子体组成的临时晶格。由于这些层的间距恰当，它们像布拉格反射镜一样工作，即便没有任何固体存在，也能高效反射另一束“探测”激光。

设计为何如此困难

将这一想法变成可用的光学元件并不简单。层状等离子体结构在超快时间尺度上生成、演化并消失，其性质取决于许多相互关联的旋钮：泵浦和探测脉冲的强度、持续时间与到达时间、初始气体密度以及等离子体区域的尺寸。传统上，物理学家会运行大量计算机模拟，逐一扫描参数，但当七个或更多参数彼此影响时，这种方法很快变得不可管理。更糟的是，改变一个参数可能会改变其他所有参数的最佳取值，因此简单的试错扫描既浪费计算资源又可能错过最佳设计。

让算法为我们探索

为了解决这种复杂性，作者将详尽的等离子体模拟与一种现代优化方法——深核贝叶斯优化相结合。本质上，他们训练了一个统计“替代”模型，学习不同参数组合如何影响镜面性能，仅用相对较少的昂贵模拟作为训练数据。一个神经网络首先将输入参数转换为更有信息量的表示，然后高斯过程层带着误差估计预测新设计可能的优劣。在每一步，算法选择下一次要运行的模拟位置，在那里它预期能获得最大增益——要么改进已有的有希望设计，要么探索不确定的区域。该方法迅速定位到能够反射超过99%探测光能量的等离子体结构，或充当50/50分束器，并且可以扩展到更复杂的二维聚焦几何。

一个惊喜：内在的脉冲压缩

由于优化仅由目标驱动——例如“最大化反射脉冲的峰值亮度”——而不是由人的预期所限，它可能发现出人意料的行为。当作者要求算法最大化峰值强度时，它找到了一种工作的方式：等离子体镜不仅几乎反射所有能量，还把最初未经过调制（无啁啾）的激光脉冲压缩为更短、更亮的脉冲。在演化的等离子体层中，脉冲的不同部分看到的镜面运动和层间距略有不同，导致小的频率偏移和更宽的光谱，就像声波在移动的墙壁上回荡产生回声一样。结果是无需通常复杂的预先整形即可获得压缩且更强的反射脉冲。

这对未来激光意味着什么

对非专业读者来说，结论是这项工作展示了如何制造能够承受远超玻璃承载范围的“虚拟”等离子体镜，以及如何用机器学习高效地设计它们。这些瞬态等离子体镜可以被调谐为近乎完美的反射器、分束器，甚至可以在运行中锐化并增强激光脉冲。通过让算法在复杂的物理现象中筛选并突出有前景的构型，研究者不仅获得了面向下一代激光系统的实用设计，还对光与等离子体在极端时间和能量尺度上的相互作用获得了新的见解。

引用: 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

关键词: 高功率激光, 等离子体反射镜, 激光脉冲压缩, 贝叶斯优化, 物理中的机器学习