Recent, o echipă de cercetare de la Laboratorul comun de fizică a laserelor de mare putere, Institutul de Optică și Mașini de Precizie din Shanghai, Academia Chineză de Științe (SIPM, CAS), a identificat și analizat ieșirile anormale în câmp apropiat ale dispozitivului modernizat SG-II. prin utilizarea metodei de calcul a spațiului aerian și a modelului de învățare profundă cu mecanismul de atenție pentru a îndeplini cerințele de timp real și de validitate pentru analiza multiplelor ieșiri în câmp apropiat ale dispozitivului laser de mare putere. Rezultatele aferente sunt rezumate ca „Analiza în câmp apropiat a instalației laser de mare putere folosind metode calculate și o rețea neuronală convoluțională reziduală cu mecanism de atenție” în Optică și Lasere în Inginerie.
Cercetarea în fizică a fuziunii inerțiale (ICF) impune cerințe foarte stricte privind performanța și fiabilitatea driverelor laser de mare putere, în care o distribuție uniformă a câmpului apropiat este favorabilă îmbunătățirii fluxului de funcționare a sistemului, protejând optica ulterioară și îndeplinirea cerințelor pentru funcționarea pe termen lung de mare intensitate și fiabilă a sistemului. Dispozitivele laser de mare putere conțin mai multe fascicule laser, iar metodele de identificare manuală nu sunt suficient de oportune și eficiente; prin urmare, sunt necesare metode eficiente pentru a analiza starea câmpului apropiat în diferite momente și pentru a oferi avertismente în timp util. Rețelele neuronale convoluționale (CNN) au capabilități puternice de extragere a caracteristicilor și pot fi antrenate pe date istorice pentru a răspunde nevoilor sarcinilor complexe și diverse.
Cercetătorii propun să utilizeze o metodă de calcul al spațiului aerian și un model de rețea neuronală convoluțională reziduală cu un mecanism de atenție suplimentar pentru a evalua inițial starea operațională a unității modernizate SG-II pe baza unui număr mare de imagini în câmp apropiat la momente diferite. Metoda de calcul a spațiului aerian este utilizată pentru procesarea în lot a imaginilor în câmp apropiat detectate de CCD, iar schimbările în uniformitatea distribuției câmpului apropiat pe durata de funcționare continuă a dispozitivului pot fi analizate prin regimul de modulație și contrast. Algoritmul extrage automat regiunile spot valide din câmpul apropiat, ceea ce oferă, de asemenea, un pas de preprocesare pentru imaginile utilizate pentru a antrena modelul rețelei neuronale convoluționale. Modelul rețelei neuronale convoluționale este utilizat pentru a identifica și clasifica automat caracteristicile imaginii în câmp apropiat cu mai multe etichete pentru a permite detectarea anomaliilor stării în câmp apropiat de frecvență fundamentală (1ω). În această lucrare, cercetătorii au selectat șase caracteristici, inclusiv uniformitatea distribuției câmpului apropiat, semnale de ieșire anormale și bucle puternice de difracție pentru a fi analizate, iar precizia de clasificare a modelului a ajuns la 93%, iar modelul a fost capabil să emită judecăți în timp real. pe orice număr de imagini în câmp apropiat în raport cu cele șase caracteristici de mai sus.
În studiile ulterioare, pe măsură ce cantitatea de date experimentale crește, cercetătorii vor rafina etichetele de clasificare a caracteristicilor anormale, în special a caracteristicilor similare, pentru a construi un model mai robust. Această lucrare explorează aplicarea eficientă a modelelor de învățare profundă în dispozitivele laser de mare putere ICF și este de așteptat să continue să extindă aplicarea modelelor de învățare profundă în viitor pentru a oferi mijloace inteligente de analiză pentru dispozitivele laser mari.
Fig. 1 Rezultatele metodei de calcul al spațiului aerian (a) Imaginea dobândită CCD (b) Histograma distribuției nivelului de gri în câmp apropiat (c) Histograma distribuției nivelului de gri în câmp apropiat după îndepărtarea fundalului (d) Imagine binară după îndepărtarea fundalului (e) Imagine în câmp apropiat rotită după transformarea Hough (f) Imagine binară rotită (g) Imagine în câmp apropiat decupată (h) 85% regiune a imaginii în câmp apropiat
Fig. 2 Structura modelului rețelei neuronale convoluționale reziduale de atenție spațială
