Нещодавно дослідницька група з Об’єднаної лабораторії фізики лазерів високої потужності Шанхайського інституту оптики та точного машинобудування Академії наук Китаю (SIPM, CAS) виявила та проаналізувала аномальні вихідні сигнали ближнього поля оновленого пристрою SG-II. за допомогою обчислювального методу повітряного простору та моделі глибокого навчання з механізмом уваги, щоб відповідати вимогам реального часу та дійсності для аналізу кількох виходів ближнього поля потужного лазерного пристрою. Відповідні результати підсумовано як «Аналіз ближнього поля потужного лазерного обладнання з використанням розрахункових методів і залишкової згорткової нейронної мережі з механізмом уваги» в «Оптика та лазери в техніці».
Дослідження фізики термоядерного синтезу з інерційним обмеженням (ICF) висуває дуже суворі вимоги до продуктивності та надійності високопотужних лазерних драйверів, у яких рівномірний розподіл ближнього поля сприяє посиленню робочого потоку системи, захисту подальшої оптики та виконання вимог щодо тривалої високоінтенсивної та надійної роботи системи. Потужні лазерні пристрої містять кілька лазерних променів, а ручні методи ідентифікації недостатньо своєчасні та ефективні; тому потрібні ефективні методи аналізу стану ближнього поля в різні моменти та надання своєчасних попереджень. Згорткові нейронні мережі (CNN) мають потужні можливості вилучення ознак і можуть навчатися на історичних даних для задоволення потреб складних і різноманітних завдань.
Дослідники пропонують використовувати метод обчислення повітряного простору та модель залишкової згорткової нейронної мережі з додатковим механізмом уваги для початкової оцінки робочого стану модернізованого блоку SG-II на основі великої кількості зображень ближнього поля в різний час. Метод обчислення повітряного простору використовується для пакетної обробки зображень ближнього поля, виявлених за допомогою CCD, і зміни в однорідності розподілу ближнього поля протягом тривалого часу роботи пристрою можна аналізувати за режимом модуляції та контрастом. Алгоритм автоматично виділяє дійсні області плям ближнього поля, що також забезпечує етап попередньої обробки зображень, які використовуються для навчання моделі згорткової нейронної мережі. Модель згорткової нейронної мережі використовується для автоматичної ідентифікації та класифікації характеристик зображення ближнього поля за допомогою кількох міток, щоб уможливити виявлення аномалій стану ближнього поля основної частоти (1ω). У цій роботі дослідники вибрали для аналізу шість характеристик, включаючи рівномірність розподілу в ближньому полі, аномальні вихідні сигнали та сильні дифракційні петлі. Точність класифікації моделі досягла 93%, і модель могла робити висновки в реальному часі. на будь-якій кількості зображень ближнього поля щодо шести вищезгаданих характеристик.
У подальших дослідженнях, у міру збільшення кількості експериментальних даних, дослідники вдосконалюватимуть класифікаційні мітки аномальних особливостей, особливо подібних, щоб побудувати більш надійну модель. У цій роботі досліджується ефективне застосування моделей глибокого навчання у високопотужних лазерних пристроях ICF і, як очікується, продовжуватиме розширювати застосування моделей глибокого навчання в майбутньому, щоб забезпечити засоби інтелектуального аналізу для великих лазерних пристроїв.
Рис. 1 Результати методу розрахунку повітряного простору (a) Зображення, отримане ПЗЗ (b) Гістограма розподілу сірого в ближньому полі (c) Гістограма розподілу сірого в ближньому полі після видалення фону (d) Бінарне зображення після видалення фону (e) Обернене зображення ближнього поля після перетворення Хафа (f) Обернене бінарне зображення (g) Обрізане зображення ближнього поля (h) 85% області зображення ближнього поля
Рис. 2. Структура моделі згорткової нейронної мережі із залишковою просторовою увагою
