Недавно исследовательская группа из Объединенной лаборатории физики мощных лазеров Шанхайского института оптики и точного машиностроения Китайской академии наук (SIPM, CAS) выявила и проанализировала аномальные выходные сигналы ближнего поля модернизированного устройства SG-II. используя вычислительный метод воздушного пространства и модель глубокого обучения с механизмом внимания для удовлетворения требований реального времени и достоверности для анализа нескольких выходных сигналов ближнего поля мощного лазерного устройства. Соответствующие результаты обобщены как «Ближнепольный анализ мощной лазерной установки с использованием расчетных методов и остаточной сверточной нейронной сети с механизмом внимания» в журнале «Оптика и лазеры в технике».
Физические исследования в области инерционного термоядерного синтеза (ICF) предъявляют очень строгие требования к выходным характеристикам и надежности мощных лазерных драйверов, в которых равномерное распределение ближнего поля способствует увеличению рабочего потока системы, защите последующей оптики и удовлетворение требований к длительной высокоинтенсивной и надежной работе системы. Мощные лазерные устройства содержат множество лазерных лучей, а ручные методы идентификации недостаточно своевременны и эффективны; поэтому необходимы эффективные методы анализа состояния ближнего поля в разные моменты времени и своевременного предупреждения. Сверточные нейронные сети (CNN) обладают мощными возможностями извлечения признаков и могут обучаться на исторических данных для решения сложных и разнообразных задач.
Исследователи предлагают использовать метод расчета воздушного пространства и остаточную сверточную нейросетевую модель с дополнительным механизмом внимания для первоначальной оценки рабочего состояния модернизированного блока SG-II на основе большого количества изображений ближнего поля в разное время. Метод расчета воздушного пространства используется для пакетной обработки изображений ближнего поля, полученных с помощью ПЗС-матрицы, а изменения в равномерности распределения ближнего поля в течение времени непрерывной работы устройства можно анализировать с помощью режима модуляции и контрастности. Алгоритм автоматически извлекает действительные области пятен ближнего поля, что также обеспечивает этап предварительной обработки изображений, используемых для обучения модели сверточной нейронной сети. Модель сверточной нейронной сети используется для автоматической идентификации и классификации особенностей изображения ближнего поля с помощью нескольких меток, что позволяет обнаруживать аномалии состояния ближнего поля основной частоты (1ω). В этой работе исследователи выбрали для анализа шесть особенностей, включая однородность распределения в ближнем поле, аномальные выходные сигналы и сильные дифракционные петли, а точность классификации модели достигла 93%, и модель смогла выносить суждения в режиме реального времени. на любом количестве изображений ближнего поля в отношении шести вышеупомянутых функций.
В последующих исследованиях, по мере увеличения объема экспериментальных данных, исследователи будут уточнять классификационные метки аномальных особенностей, особенно похожих, чтобы построить более надежную модель. Эта работа исследует эффективное применение моделей глубокого обучения в мощных лазерных устройствах ICF и, как ожидается, продолжит расширять применение моделей глубокого обучения в будущем, чтобы предоставить средства интеллектуального анализа для больших лазерных устройств.
Рис. 1 Результаты метода расчета воздушного пространства (а) Изображение, полученное ПЗС-матрицей (б) Гистограмма распределения уровней серого в ближнем поле (в) Гистограмма распределения уровней серого в ближнем поле после удаления фона (г) Бинарное изображение после удаления фона (e) Повернутое изображение ближнего поля после преобразования Хафа (f) Повернутое бинарное изображение (g) Обрезанное изображение ближнего поля (h) Область 85% изображения ближнего поля
Рис. 2. Структура модели сверточной нейронной сети остатка пространственного внимания
