Peak ion energy is an important figure-of-merit in short-pulse, laser-driven ion acceleration and is dependent on an associated acceleration time. Standard metrics for these quantities depend on analytical results such as the self-similar fluid model or empirical models based on relatively small experimental and simulation datasets. In this work we attempt to use a data-informed neural network (NN) as a surrogate model for a large ensemble of PIC simulations to investigate an effective acceleration time. We explore the application of a stacked convolutional and recurrent NN architecture for improved regression by incorporating the time dependencies of the data into the training process. Of particular note is how pretraining a network on lower fidelity data, e.g. 1D analytical results, greatly improves the network's ability to learn more complex, higher fidelity data. Finally, the dependency of the acceleration time on various laser and plasma parameters is explored.
ピークイオンエネルギーは、短パルスレーザー駆動イオン加速における重要な性能指数であり、関連する加速時間に依存する。これらの量に対する標準的な評価指標は、自己相似流体モデルや、比較的小規模な実験・シミュレーションデータセットに基づく経験的モデルなどの解析的結果に依存している。本研究では、大規模なPICシミュレーションのアンサンブルに対する代理モデルとして、データ駆動型ニューラルネットワーク（NN）を用いて実効加速時間を調査することを試みる。我々は、データの時間依存性を学習プロセスに組み込むことにより、改良された回帰を実現するための、積層畳み込み・再帰型ニューラルネットワークアーキテクチャの適用を探求する。特に注目すべき点は、低忠実度データ（例：1次元解析結果）に対する事前学習が、より複雑で高忠実度なデータを学習するネットワークの能力を大幅に向上させることである。最後に、加速時間の各種レーザー・プラズマパラメータへの依存性が調査される。