Towards Compact Laser-Driven Neutron Sources: A numerical study of liquid leaf targets for high repetition rate laser experiments and neutron production using deep learning
Towards Compact Laser-Driven Neutron Sources: A numerical study of liquid leaf targets for high repetition rate laser experiments and neutron production using deep learning
More than 20 years ago, the first ion acceleration experiments were performed using Target Normal Sheath Acceleration (TNSA). Most TNSA experiments relied on low repetition rates and fixed foil targets. Recent technological advances have enabled the development of laser-plasma accelerators with high repetition rates. The core aspect of the high repetition rate is gas or liquid-based targets, of which the liquid leaf target seems particularly promising. Despite the potential to achieve high repetition rate laser pulses for TNSA, the predictive capabilities of the proposed Liquid Leaf target remain limited.
This research investigates the plasma generated by a Liquid Leaf target and its interaction with any laser using particle-in-cell simulations. A surrogate model is developed to predict the full spectrum of the generated beam and the maximum ion energy. This model also allows numerical optimization of the experiment. A surrogate model for the neutron yield is also developed based on Monte Carlo simulations and artificial neural networks. Combining these models makes it possible to determine the potential of a compact laser-driven neutron source.
Optimizing a laser plasma experiment is performed as an example for two different optimization conditions, focusing on maximizing the proton yield. The optimized solutions utilize an effect caused by different ions, oxygen, and hydrogen, propagating in the same expanding plasma. These ions interact, causing spectra to deviate from plasma expansion models. This effect can be predicted and applied to other applications outside neutron production.
The neutron model allows comparing different designs of compact neutron sources. This allows determining the particle numbers and repetition rates required to make laser-driven neutron sources competitive. Since simulations are insufficient for real-world applications, a new method is proposed to improve data analysis using radiochromic film stacks. The method uses algorithmic solutions to reduce operator inaccuracy while increasing the evaluation speed, allowing Big Data analysis of laser-plasma acceleration data to be performed soon.
Vor mehr als 20 Jahren wurden die ersten Ionenbeschleunigungsexperimente mit der Target Normal Sheath Acceleration (TNSA) durchgeführt. Die meisten dieser TNSA Experimente beruhen auf niedrigen Wiederholungsraten und festen Folientargets. Jüngste technologische Fortschritte haben es ermöglicht, Laser-Plasma-Beschleuniger mit hoher Repetitionsrate zu entwickeln. Der Kernaspekt für die hohe Repetitionsrate sind auf Gas oder Flüßigkeiten basierende Targets, von dem das Liquid Leaf-Target besonders vielversprechend erscheint. Trotz des Potenzials, Laserpulse mit hoher Repetitionsrate für TNSA zu erzielen, sind die Vorhersagemöglichkeiten des vorgeschlagenen Liquid Leaf-Targets nach wie vor begrenzt.
In dieser Forschungsarbeit wird das von einem Liquid Leaf-Target erzeugte Plasma und seine Wechselwirkung mit einem beliebigen Laser mit Hilfe von Particle-in-Cell-Simulationen untersucht. Es wird ein Ersatzmodell entwickelt, um das gesamte Spektrum des erzeugten Strahls und die maximale Ionenenergie vorherzusagen. Dieses Modell ermöglicht auch eine numerische Optimierung des Experiments. Auf der Grundlage von Monte-Carlo-Simulationen und künstlichen neuronalen Netzen wird außerdem ein Ersatzmodell für die Neutronenausbeute entwickelt. Die Kombination dieser Modelle ermöglicht, das Potential einer kompakten lasergetriebenen Neutronenquelle zu bestimmen
Die Optimierung eines Laser-Plasma-Experimentes wird exemplarisch für zwei verschiedene Optimierungsbedingungen durchgeführt, wobei der Schwerpunkt auf der Maximierung der Protonenausbeute liegt. Die optimierten Lösungen nutzen einen Effekt, der durch verschiedene Ionen, Sauerstoff und Wasserstoff, verursacht wird, die sich im selben expandierenden Plasma ausbreiten. Diese Ionen wechselwirken untereinander, sodass die Spektren von Plasmaexpansionsmodellen abweichen. Dieser Effekt kann vorhergesagt und auf andere Anwendungen außerhalb der Neutronenproduktion angewendet werden.
Das Neutronenmodell ermöglicht es verschiedene Designs kompakter Neutronenquellen zu vergleichen. Damit werden die erforderlichen Teilchenzahlen und Wiederholungsraten bestimmt, damit lasergetriebene Neutronenquellen wettbewerbsfähig werden. Da Simulationen für reale Anwendungen nicht ausreichen, wird eine neue Methode zur Verbesserung der Datenauswertung unter Verwendung radiochromatischer Filme vorgeschlagen. Die Methode nutzt algorithmische Lösungen zur Verringerung der Ungenauigkeit durch den Operateur und erhöht gleichzeitig die Auswertegeschwindigkeit, was in naher Zukunft die Durchführung von Big-Data-Analysen von Laser-Plasma-Beschleunigungsdaten ermöglicht.
