粒子模拟代码中 Bethe-Heitler 过程的神经网络抽样
Neural network sampling of Bethe-Heitler process in particle-in-cell codes
AI总结：
本研究提出一种神经网络，用于改进 PIC 代码中 Bethe-Heitler 过程的 Monte Carlo 实现，在保持准确性的同时将内存需求降低百倍，从而支持引入更先进的 QED 截面模型。
摘要：
本研究使用神经网络来改进 Particle-In-Cell (PIC) 代码中 Bethe-Heitler 过程的 Monte Carlo (MC) 实现。我们提供了一个与预计算表同样准确的神经网络，且所需存储内存减少了一百倍。它被训练用于在 PIC 代码 OSIRIS 中预测原子序数为 1-50、光子能量在 1 MeV 至 10 GeV 之间的 Bethe-Heitler 粒子对产生截面。我们首先在简化背景下针对理论估计验证了该方法。随后我们证明，在典型的相对论激光-等离子体相互作用场景中，两种方法具有相似的性能。神经网络带来的内存大幅减少，将使得能够在 PIC 代码的 MC 模块中引入针对 Bethe-Heitler 粒子对产生及其他 QED 机制的更先进截面模型。
英文摘要：
This study uses neural networks to improve Monte Carlo (MC) implementations of the Bethe-Heitler process in Particle-In-Cell (PIC) codes. We provide a neural network that is as accurate as pre-calculated tables, and requires a hundred times less memory to store. It is trained to predict Bethe-Heitler pair production cross-sections for atomic numbers 1-50 and photon energies between 1 MeV and 10 GeV in the PIC code OSIRIS. We first validate our approach against a theoretical estimate in a simplified context. We later prove that both approaches have similar performance in a typical relativistic laser-plasma interaction scenario. The large memory decrease accessible with neural networks will enable introducing more advanced cross-section models for Bethe-Heitler pair production and other QED mechanisms in the MC modules of PIC codes.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
