Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Employing machine learnin… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Employing machine learning for theory validation and identification of experimental conditions in laser-plasma physics

Artikel i vetenskaplig tidskrift
Författare Arkady Gonoskov
E. Wallin
A. Polovinkin
I. Meyerov
Publicerad i Scientific Reports
Volym 9
Publiceringsår 2019
Publicerad vid Institutionen för fysik (GU)
Språk en
Ämneskategorier Plasmafysik

Sammanfattning

© 2019, The Author(s). The validation of a theory is commonly based on appealing to clearly distinguishable and describable features in properly reduced experimental data, while the use of ab-initio simulation for interpreting experimental data typically requires complete knowledge about initial conditions and parameters. We here apply the methodology of using machine learning for overcoming these natural limitations. We outline some basic universal ideas and show how we can use them to resolve long-standing theoretical and experimental difficulties in the problem of high-intensity laser-plasma interactions. In particular we show how an artificial neural network can “read” features imprinted in laser-plasma harmonic spectra that are currently analysed with spectral interferometry.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?