Наскоро изследователски екип от Съвместната лаборатория по физика на високомощни лазери, Шанхайския институт по оптика и прецизни машини, Китайската академия на науките (SIPM, CAS), идентифицира и анализира аномалните изходи в близко поле на подобреното устройство SG-II чрез използване на изчислителния метод във въздушното пространство и модела за дълбоко обучение с механизма за внимание, за да се изпълнят изискванията за реално време и валидност за анализ на множество изходи в близко поле на високомощното лазерно устройство. Свързаните резултати са обобщени като „Анализ на близко поле на високомощно лазерно съоръжение с помощта на изчислени методи и остатъчна конволюционна невронна мрежа с механизъм за внимание“ в Оптика и лазери в инженерството.
Изследванията на физиката с инерционен термоядрен синтез (ICF) поставят много строги изисквания към изходната производителност и надеждността на високомощните лазерни драйвери, при които равномерното разпределение на близкото поле е благоприятно за подобряване на работния поток на системата, защита на последващата оптика и отговарящи на изискванията за дълготрайна високоинтензивна и надеждна работа на системата. Мощните лазерни устройства съдържат множество лазерни лъчи, а методите за ръчна идентификация не са достатъчно навременни и ефективни; следователно са необходими ефективни методи за анализ на състоянието на близкото поле в различни моменти и предоставяне на навременни предупреждения. Конволюционните невронни мрежи (CNN) имат мощни възможности за извличане на характеристики и могат да бъдат обучени на исторически данни, за да отговорят на нуждите на сложни и разнообразни задачи.
Изследователите предлагат да се използва метод за изчисляване на въздушното пространство и модел на остатъчна конволюционна невронна мрежа с допълнителен механизъм за внимание, за да се оцени първоначално оперативното състояние на модернизираната единица SG-II въз основа на голям брой изображения в близко поле в различни моменти. Методът за изчисляване на въздушното пространство се използва за групова обработка на изображения в близко поле, детектирани с CCD, и промените в равномерността на разпределението на близкото поле през времето на непрекъсната работа на устройството могат да бъдат анализирани чрез режима на модулация и контраста. Алгоритъмът автоматично извлича валидни петнови региони в близко поле, което също осигурява стъпка за предварителна обработка за изображенията, използвани за обучение на модела на конволюционната невронна мрежа. Моделът на конволюционната невронна мрежа се използва за автоматично идентифициране и класифициране на характеристиките на изображението в близко поле с множество етикети, за да се даде възможност за откриване на аномалии в състоянието на близкото поле на основната честота (1ω). В тази работа изследователите избраха шест характеристики, включително равномерност на разпределението в близко поле, аномални изходни сигнали и силни дифракционни вериги, които да бъдат анализирани, а точността на класификацията на модела достигна 93% и моделът успя да направи преценки в реално време върху произволен брой изображения в близко поле по отношение на горните шест характеристики.
В следващите проучвания, тъй като количеството експериментални данни се увеличава, изследователите ще прецизират класификационните етикети на аномалните характеристики, особено подобните характеристики, за да изградят по-стабилен модел. Тази работа изследва ефективното приложение на модели за дълбоко обучение в високомощни лазерни устройства на ICF и се очаква да продължи да разширява приложението на модели за дълбоко обучение в бъдеще, за да осигури средства за интелигентен анализ за големи лазерни устройства.
Фиг. 1 Резултати от метода за изчисляване на въздушното пространство (a) Изображение, получено с CCD (b) Хистограма на разпределението на сивото в близко поле (c) Хистограма на разпределение на сивото в близко поле след премахване на фона (d) Двоично изображение след премахване на фона (e) Завъртано изображение в близко поле след трансформацията на Hough (f) Завъртано двоично изображение (g) Изрязано изображение в близко поле (h) 85% област от изображение в близко поле
Фиг. 2 Структура на модела на конволюционната невронна мрежа с остатъчно пространствено внимание
