Nedávno výzkumný tým ze Společné laboratoře fyziky vysokovýkonných laserů, Šanghajský institut optiky a přesných strojů, Čínská akademie věd (SIPM, CAS), identifikoval a analyzoval anomální výstupy v blízkém poli modernizovaného zařízení SG-II. pomocí výpočetní metody vzdušného prostoru a modelu hlubokého učení s mechanismem pozornosti ke splnění požadavků v reálném čase a platnosti pro analýzu vícenásobných výstupů blízkého pole vysokovýkonného laserového zařízení. Související výsledky jsou shrnuty jako "Analýza blízkého pole vysokovýkonného laserového zařízení pomocí vypočítaných metod a zbytkové konvoluční neuronové sítě s mechanismem pozornosti" v Optics and Lasers in Engineering.
Fyzikální výzkum inerciální izolace (ICF) klade velmi přísné požadavky na výstupní výkon a spolehlivost vysoce výkonných laserových ovladačů, ve kterých rovnoměrné rozložení blízkého pole přispívá ke zvýšení provozního toku systému, chrání následnou optiku a splňující požadavky na dlouhodobý vysoce intenzivní a spolehlivý provoz systému. Vysoce výkonná laserová zařízení obsahují více laserových paprsků a metody ruční identifikace nejsou dostatečně včasné a účinné; proto jsou zapotřebí účinné metody pro analýzu stavu blízkého pole v různých okamžicích a poskytování včasných varování. Konvoluční neuronové sítě (CNN) mají výkonné možnosti extrakce funkcí a lze je trénovat na historických datech, aby vyhovovaly potřebám složitých a různorodých úkolů.
Výzkumníci navrhují využít metodu výpočtu vzdušného prostoru a model zbytkové konvoluční neuronové sítě s dalším mechanismem pozornosti k počátečnímu posouzení provozního stavu modernizované jednotky SG-II na základě velkého počtu snímků blízkého pole v různých časech. Metoda výpočtu vzdušného prostoru se používá k dávkovému zpracování CCD-detekovaných snímků blízkého pole a změny v rovnoměrnosti distribuce blízkého pole během nepřetržité provozní doby zařízení lze analyzovat režimem modulace a kontrastem. Algoritmus automaticky extrahuje platné oblasti blízkého pole, což také poskytuje krok předběžného zpracování pro snímky používané k trénování modelu konvoluční neuronové sítě. Model konvoluční neuronové sítě se používá k automatické identifikaci a klasifikaci obrazových prvků blízkého pole s více štítky, aby bylo možné detekovat anomálie stavu blízkého pole základní frekvence (1ω). V této práci výzkumníci vybrali šest funkcí, včetně rovnoměrnosti distribuce v blízkém poli, anomálních výstupních signálů a silných difrakčních smyček, které mají být analyzovány, a přesnost klasifikace modelu dosáhla 93% a model byl schopen provádět úsudky v reálném čase. na libovolném počtu snímků blízkého pole s ohledem na výše uvedených šest znaků.
V následujících studiích, jak se množství experimentálních dat zvyšuje, výzkumníci zpřesní klasifikační štítky anomálních rysů, zejména podobných rysů, aby vytvořili robustnější model. Tato práce zkoumá efektivní aplikaci modelů hlubokého učení ve vysokovýkonných laserových zařízeních ICF a očekává se, že v budoucnu bude pokračovat v rozšiřování aplikací modelů hlubokého učení, aby poskytovaly inteligentní analytické prostředky pro velká laserová zařízení.
Obr. 1 Výsledky metody výpočtu vzdušného prostoru (a) Snímek pořízený CCD (b) Histogram rozložení šedi v blízkém poli (c) Histogram rozložení šedi v blízkém poli po odstranění pozadí (d) Binární obrázek po odstranění pozadí Obr. (e) Otočený snímek blízkého pole po Houghově transformaci (f) Otočený binární snímek (g) Oříznutý snímek blízkého pole (h) 85 % oblasti snímku blízkého pole
Obr. 2 Struktura modelu konvoluční neuronové sítě zbytkové prostorové pozornosti
