Machine learning optimization for improved laser-driven ion beamlines.

Catrix, Elias (2025). Machine learning optimization for improved laser-driven ion beamlines. Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en sciences de l'énergie et des matériaux, 232 p.

Prévisualisation

PDF - Version publiée Télécharger (90MB) | Prévisualisation

Résumé

Les accélérateurs d’ions générés par interaction laser-matière représentent une voie prometteuse pour de nombreuses applications en science des matériaux, en médecine, en radiographie ultra-rapide et en physique nucléaire. En effet, les lasers femtosecondes de puissance ultra-élevée, focalisés à des intensités extrêmes, permettent de produire des faisceaux d’ions compacts atteignant plusieurs mégaélectronvolts. Parmi les mécanismes d’accélération disponibles, l’accélération TNSA (« Target Normal Sheath Acceleration ») demeure aujourd’hui la plus robuste et la plus utilisée. Toutefois, la stabilité, la qualité et l’efficacité énergétique des faisceaux générés restent des enjeux majeurs. En particulier, les performances résultent d’un équilibre subtil entre des mécanismes de couplage laser–plasma hautement non linéaires, sensibles à la géométrie du faisceau, aux propriétés de la cible et à la structure spatio-temporelle de l’impulsion laser. Les progrès expérimentaux sont souvent ralentis par les faibles cadences de tir, le bruit de mesure et le coût élevé des campagnes expérimentales nécessitant l’exploration de larges espaces de paramètres. Bien que les simulations numériques puissent offrir un éclairage précieux, les modèles réalistes demeurent coûteux en temps de calcul et ne remplacent pas une optimisation expérimentale systématique.

Parallèlement, l’essor de l’intelligence artificielle et des stratégies de contrôle autonome ouvre de nouvelles perspectives pour les accélérateurs laser–plasma. En particulier, l’optimisation bayésienne constitue un outil efficace pour explorer rapidement des espaces de paramètres complexes tout en réduisant le nombre d’expériences nécessaires. Ces approches permettent d’accélérer l’optimisation, d’améliorer la reproductibilité et de réduire la dépendance aux ajustements manuels. Cette thèse présente la mise en place d’une plateforme d’accélération d’ions stable et partiellement automatisée hébergée par l’« Advanced Laser Light Source (ALLS)» de l’Institut national de la recherche scientifique (INRS). Ce travail combine développement expérimental, modélisation numérique et optimisation guidée par apprentissage automatique afin d’améliorer les performances et la stabilité des faisceaux d’ions. Après avoir renforcé l’alignement, la préparation des cibles, l’intégration des diagnostics et la répétabilité du système, nous avons conçu une méthode d’optimisation multi-étapes fondée sur des modèles de substitution et l’optimisation bayésienne, adaptée aux contraintes des lasers à haute puissance. Cette approche a permis d’optimiser efficacement plusieurs paramètres expérimentaux malgré le bruit et le faible taux de répétition, conduisant à des améliorations significatives de la stabilité et des performances des faisceaux d’ions. Ces travaux contribuent à établir l’accélération laser-plasma assistée par apprentissage automatique comme une voie prometteuse pour les futures sources d’ions compactes et leurs applications scientifiques, industrielles et sociétales.





Laser-driven ion accelerators are promising candidates for applications in materials science, medical therapy, ultrafast probing, and nuclear physics. Indeed, modern high-intensity laser systems, operating in the multi-hundred-terawatt range and focused to extreme intensities, can generate multi-MeV proton beams from compact, high-brightness sources. Among the available acceleration schemes, Target Normal Sheath Acceleration (TNSA) remains the most robust and widely used, but improving the stability, beam quality, and energy throughput of these sources remains a central challenge. In particular, their performance results from a complex interplay of nonlinear laser–plasma processes that are highly sensitive to laser conditions, target properties, and spatiotemporal laser beam structure. Furthermore, progress is often limited by low repetition rates, substantial experimental noise, and the cost of large multi-parameter scans. Although numerical simulations can provide valuable insight, high-fidelity models remain computationally expensive and cannot replace systematic experimental optimization.

In parallel, the rapid development of data-driven methods and autonomous control strategies has opened a new path for laser-plasma accelerators. Machine learning, and in particular Bayesian optimization, offers a powerful route to efficiently explore high-dimensional parameter spaces while requiring only a limited number of experimental evaluations. Its successful deployment in other accelerator platforms demonstrates its potential to accelerate optimization, reduce human intervention, and improve overall machine reliability.

This thesis presents the development of a stable and partially automated laser-driven ion acceleration platform at the Advanced Laser Light Source (ALLS) facility of the Institut national de la recherche scientifique (INRS). The work combines experimental innovation, numerical modeling, and machine-learning-assisted control to enhance both performance and stability. After improving target alignment, targetry, diagnostic integration, and operational repeatability, we developed a multi-step surrogate-assisted Bayesian optimization framework tailored to the constraints of high-power laser systems. This approach enabled efficient optimization of key experimental parameters despite low repetition rates and significant shot-to-shot fluctuations. The resulting improvements in beam stability and proton performance demonstrate that data-driven strategies can effectively guide experiments, paving the way toward adaptive, autonomous laser-driven ion accelerators. This work contributes to establishing machine-learning-assisted laser-plasma acceleration as a promising route for future compact ion sources and their scientific, industrial, and societal applications.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Antici, Patrizio
Mots-clés libres:	Interaction laser-plasma ; Accélérateurs de protons par laser ; Target Normal Sheath Acceleration ; Automatisation ; Apprentissage automatique ; Optimisation bayésienne ; Modelage du front d’onde laser ; Fluctuations tir à tir ; Stabilité des faisceaux d’ions ; Contrôle adaptatif des faisceaux d’ions ; Laser-plasma interaction ; Laser-driven proton accelerators ; Target Normal Sheath Ac-celeration ; Automation ; Machine Learning ; Bayesian optimization ; Laser wavefront shaping ; Shot-to-shot fluctuations ; Ion beam stability ; Adaptive ion beam control
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	27 mai 2026 12:30
Dernière modification:	27 mai 2026 12:30
URI:	https://espace.inrs.ca/id/eprint/17206

Gestion Actions (Identification requise)

Modifier la notice