Nylig har et forskerteam fra Joint Laboratory of High Power Laser Physics, Shanghai Institute of Optics and Precision Machinery, Chinese Academy of Sciences (SIPM, CAS), identifisert og analysert de unormale nærfeltutgangene til den oppgraderte SG-II-enheten ved å bruke luftromsberegningsmetoden og dyplæringsmodellen med oppmerksomhetsmekanismen for å møte sanntids- og gyldighetskravene for analysen av de flere nærfeltutgangene til høyeffektlaserenheten. De relaterte resultatene er oppsummert som "Nærfeltsanalyse av høyeffektlaseranlegget ved bruk av beregnede metoder og et gjenværende konvolusjonelt nevralt nettverk med oppmerksomhetsmekanisme" i Optics and Lasers in Engineering.
Inertial confinement fusion (ICF) fysikkforskning stiller svært strenge krav til utgangsytelsen og påliteligheten til laserdrivere med høy effekt, der en jevn fordeling av nærfeltet bidrar til å forbedre systemets driftsfluks, beskytte den påfølgende optikken, og oppfylle kravene til langsiktig høy intensitet og pålitelig drift av systemet. Høyeffekt laserenheter inneholder flere laserstråler, og manuelle identifiseringsmetoder er ikke rettidige og effektive nok; derfor er det nødvendig med effektive metoder for å analysere nærfeltstilstanden på forskjellige tidspunkter og gi rettidige advarsler. Konvolusjonelle nevrale nettverk (CNN) har kraftige funksjoner for utvinning og kan trenes på historiske data for å møte behovene til komplekse og mangfoldige oppgaver.
Forskerne foreslår å bruke en luftromsberegningsmetode og en gjenværende konvolusjonell nevrale nettverksmodell med en ekstra oppmerksomhetsmekanisme for å initialt vurdere driftsstatusen til den oppgraderte SG-II-enheten basert på et stort antall nærfeltsbilder til forskjellige tider. Luftromsberegningsmetoden brukes til å batchbehandle CCD-detekterte nærfeltsbilder, og endringer i jevnheten til nærfeltsfordelingen over enhetens kontinuerlige driftstid kan analyseres av modulasjonsregimet og kontrasten. Algoritmen trekker automatisk ut gyldige nærfelt-punktområder, som også gir et forbehandlingstrinn for bildene som brukes til å trene den konvolusjonelle nevrale nettverksmodellen. Den konvolusjonelle nevrale nettverksmodellen brukes til automatisk å identifisere og klassifisere nærfeltbildefunksjoner med flere merker for å muliggjøre deteksjon av grunnfrekvens (1ω) nærfelttilstandsanomalier. I dette arbeidet valgte forskerne seks funksjoner inkludert nærfeltfordelingsuniformitet, unormale utgangssignaler og sterke diffraksjonsløkker som skulle analyseres, og klassifiseringsnøyaktigheten til modellen nådde 93 %, og modellen var i stand til å foreta sanntidsvurderinger på et hvilket som helst antall nærfeltsbilder med hensyn til de ovennevnte seks funksjonene.
I påfølgende studier, ettersom mengden av eksperimentelle data øker, vil forskerne avgrense klassifiseringsetikettene til de unormale funksjonene, spesielt de lignende funksjonene, for å bygge en mer robust modell. Dette arbeidet utforsker effektiv anvendelse av dyplæringsmodeller i ICF-laserenheter med høy effekt, og forventes å fortsette å utvide bruken av dyplæringsmodeller i fremtiden for å gi intelligente analysemidler for store laserenheter.
Fig. 1 Resultater av luftromsberegningsmetoden (a) CCD-innhentet bilde (b) Histogram av nærfelts grånivåfordeling (c) Histogram av nærfelts grånivåfordeling etter fjerning av bakgrunnen (d) Binært bilde etter fjerning av bakgrunnen (e) Rotert nærfeltbilde etter Hough-transformasjonen (f) Rotert binært bilde (g) Beskåret nærfeltbilde (h) 85 % område av nærfeltsbilde
Fig. 2 Strukturen til den romlige oppmerksomhetsresterende konvolusjonelle nevrale nettverksmodellen
