As the repetition rates of ultra-high intensity lasers increase, simulations used for the prediction of experimental results may need to be augmented with machine learning to keep up. In this paper, the usage of Gaussian process regression in producing surrogate models of laser-plasma interactions from particle-in-cell (PIC) simulations is investigated. Such a model retains the characteristic behaviour of the simulations but allows for faster on-demand results and estimation of statistical noise. A demonstrative model of Bremsstrahlung emission by hot electrons from a femtosecond timescale laser pulse in the intensity range is produced using 800 simulations of such a laser-solid interaction from 1D hybrid-PIC. While the simulations required 84 000 CPU-hours to generate, subsequent training occurs on the order of a minute on a single core and prediction takes only a fraction of a second. The model trained on this data is then compared against analytical expectations. The efficiency of training the model and its subsequent ability to distinguish types of noise within the data are analysed, and as a result error bounds on the model are defined.
超高強度レーザーの繰り返し率が増加するにつれて、実験結果の予測に用いられるシミュレーションは、追従するために機械学習によって補強される必要があるかもしれない。本論文では、粒子インセル（PIC）シミュレーションからレーザー・プラズマ相互作用のサロゲートモデルを生成する際のガウス過程回帰の利用を調査する。このようなモデルは、シミュレーションの特徴的な挙動を保持しつつ、より高速なオンデマンド結果と統計的ノイズの推定を可能にする。フェムト秒タイムスケールのレーザーパルスからの高温電子による制動放射のデモンストレーションモデルは、1DハイブリッドPICによるそのようなレーザー・固体相互作用の800回のシミュレーションを用いて、の強度範囲で生成される。シミュレーションの生成には84,000 CPU時間を要したが、その後のトレーニングはシングルコアで約1分の時間で行われ、予測にはわずか1秒の数分の一しかかからない。このデータでトレーニングされたモデルは、次に解析的期待値と比較される。モデルのトレーニング効率と、その後のデータ内のノイズの種類を区別する能力が分析され、その結果としてモデルの誤差限界が定義される。