Anwendung von Reinforcement Learning zur Simulation und Optimierung der Pulsformung in Kurzzeitlasern

Abstract

Diese Arbeit untersucht die Eignung von Reinforcement Learning zur Optimierung der Pulsformung in Kurz-zeitlasern. Das zentrale Ziel ist die Minimierung der Pulsbreite durch gezielte Phasenmodulation. Es wird einerseits die grundsätzliche Eignung des RL-Ansatzes zur Pulsminimierung untersucht und andererseits analysiert, wie die Auswahl der Eingangsdaten den Lernerfolg beeinflusst, indem das Training mit Zeit-Intensitätsprofilen mit dem Training auf Basis von FROG-Spektrogrammen verglichen wird. Als Methode wird ein Soft-Actor-Critic Agent verwendet, welcher in einer Simulationsumgebung lernt. Dieser passt dabei eine Phasenmaske so an, dass der Laserpuls komprimiert wird. Die relative Verkürzung der Pulsbreite dient dabei als Belohnungssignal, um das Verhalten des Agenten zu steuern. Die Ergebnisse zeigen, dass der Agent in der Lage ist, die Pulsbreite für eine Vielzahl zufälliger Eingangspulse signifikant zu reduzieren. Mit einer Phasen-maske von 25 Stützstellen wurden die besten Ergebnisse erzielt. Dies führte zu einer mittleren Pulsverkürzung von über 57 Prozent. Konfigurationen mit 100 Stützstellen erwiesen sich hingegen als instabil und führten zu einer Pulsverbreiterung. Die Untersuchung zeigt, dass Reinforcement Learning ein vielversprechender Ansatz zur automatisierten Optimierung der Pulsformung ist und eine robuste Alternative zu klassischen Verfahren darstellt.

This work investigates the suitability of Reinforcement Learning for optimizing pulse shaping in short-pulse lasers. The central objective is the minimization of the pulse width through targeted phase modulation. On the one hand, the fundamental suitability of the RL approach for pulse minimization is examined, and on the other hand, it analyzes how the selection of input data influences learning success by comparing training with timeintensity profiles to training based on FROG spectrograms. A Soft-Actor-Critic agent is used as the method, which learns in a simulation environment. This agent adjusts a phase mask in such a way that the laser pulse is compressed. The relative shortening of the pulse width serves as the reward signal to control the agent's behavior. The results show that the agent is capable of significantly reducing the pulse width for a variety of random input pulses. The best results were achieved using a phase mask with 25 control points. This led to an average pulse shortening of over 57 percent. Configurations with 100 control points proved to be unstable and led to pulse broadening. The study shows that Reinforcement Learning is a promising approach for the automated optimization of pulse shaping and represents a robust alternative to classical methods.