In Anlagen wie dem aufgerüsteten Linac Coherent Light Source (LCLS-II) am SLAC bedeutet die Erzeugung von Röntgenlicht, Laserlicht durch eine Kette von Umwandlungen zu schicken: Infrarot zu Grün, Grün zu Ultraviolett und schließlich auf eine Kathode, die die Elektronen freisetzt, aus denen Röntgenpulse entstehen. Vorherzusagen, wie sich das Licht bei jedem Schritt verschiebt, erlaubt es, die Maschine abzustimmen – und ist teuer.
Der Übeltäter ist ein Zweig der Physik namens nichtlineare Optik zweiter Ordnung, oder χ2-Prozesse, und die nichtlineare Schrödinger-Gleichung, die sie beschreibt. Konventionell mit der Split-Step-Fourier-Methode gelöst, macht diese einzelne Berechnung in einer vollständigen Lasersimulation rund 95 Prozent der gesamten Rechenzeit aus.
Ein Team der Stanford University, der University of California, Los Angeles (UCLA) und des SLAC National Accelerator Laboratory hat den Engpass durch Deep Learning ersetzt. Das in der Fachzeitschrift Advanced Photonics beschriebene Modell ist ein rekurrentes LSTM-Netz (Long Short-Term Memory), das aus früherer Arbeit zur Vorhersage von Laserpulsen in Glasfasern stammt, aber auf den schwierigeren Fall mehrerer wechselwirkender Lichtwellen erweitert wurde.
Der entscheidende Trick ist repräsentativ: Statt wie konventionelle Verfahren wiederholt zwischen Zeit- und Frequenzbereich zu wechseln, arbeitet das Netzwerk durchgehend mit einer komprimierten Darstellung der Frequenzeigenschaften des Lichts. Das beseitigt einen Großteil der repetitiven Berechnung.
Getestet an der nichtkollinearen Summenfrequenzbildung (SFG) – drei gekoppelte Lichtfelder, die sich gemeinsam in einem Kristall entwickeln – reproduzierte das Modell die Pulsentwicklung über ein breites Spektrum von Formen, auch bei Pulsen mit ausgeprägten Lücken im Frequenzspektrum und starker Phasenvariation. Im Stapelbetrieb auf GPUs sank die durchschnittliche Rechenzeit pro Simulation auf wenige Millisekunden – eine Verbesserung um Größenordnungen bei geringem Genauigkeitsverlust. Eine weitere Prüfung: Sagte es die Hauptausgabe der SFG korrekt voraus, waren meist auch seine Vorhersagen für die anderen wechselwirkenden Felder zutreffend – ein Hinweis darauf, dass es die Wechselwirkung lernte und nicht nur eine Ausgabe.
Das Design des Teams ist modular: Jeder physikalische Prozess wird durch ein separat trainiertes Netzwerk dargestellt. Das eröffnet die Aussicht auf digitale Zwillinge für laufende Experimente und langfristig auf adaptive Steuerung, die Lasereinstellungen in Echtzeit anpasst.



