Nyligen har ett forskarlag från Joint Laboratory of High Power Laser Physics, Shanghai Institute of Optics and Precision Machinery, Chinese Academy of Sciences (SIPM, CAS), identifierat och analyserat de onormala närfältsutgångarna från den uppgraderade SG-II-enheten genom att använda luftrumsberäkningsmetoden och modellen för djupinlärning med uppmärksamhetsmekanismen för att uppfylla realtids- och validitetskraven för analys av de multipla närfältsutgångarna från högeffektlaseranordningen. De relaterade resultaten sammanfattas som "Närfältsanalys av högeffektlaseranläggningen med hjälp av beräknade metoder och ett kvarvarande konvolutionellt neuralt nätverk med uppmärksamhetsmekanism" i Optics and Lasers in Engineering.
Inertial confinement fusion (ICF) fysikforskning ställer mycket stränga krav på utdataprestanda och tillförlitlighet hos högeffekts laserdrivrutiner, där en enhetlig fördelning av närfältet bidrar till att förbättra systemets driftsflöde, skydda den efterföljande optiken och uppfylla kraven på långvarig högintensiv och tillförlitlig drift av systemet. Laserenheter med hög effekt innehåller flera laserstrålar, och manuella identifieringsmetoder är inte tillräckligt snabba och effektiva; därför behövs effektiva metoder för att analysera närfältstillståndet vid olika tillfällen och ge snabba varningar. Konvolutionella neurala nätverk (CNN) har kraftfulla funktioner för extraktion av funktioner och kan tränas på historiska data för att möta behoven av komplexa och mångsidiga uppgifter.
Forskarna föreslår att använda en luftrumsberäkningsmetod och en kvarvarande faltningsneurala nätverksmodell med en extra uppmärksamhetsmekanism för att initialt bedöma den operativa statusen för den uppgraderade SG-II-enheten baserat på ett stort antal närfältsbilder vid olika tidpunkter. Luftrumsberäkningsmetoden används för att batchbearbeta CCD-detekterade närfältsbilder, och förändringar i enhetligheten i närfältsfördelningen över enhetens kontinuerliga drifttid kan analyseras av moduleringsregimen och kontrasten. Algoritmen extraherar automatiskt giltiga närfältsfläckregioner, vilket också tillhandahåller ett förbearbetningssteg för bilderna som används för att träna den konvolutionella neurala nätverksmodellen. Den konvolutionella neurala nätverksmodellen används för att automatiskt identifiera och klassificera närfältsbildegenskaper med flera etiketter för att möjliggöra detektering av grundläggande frekvens (1ω) närfältstillståndsavvikelser. I detta arbete valde forskarna ut sex funktioner inklusive närfältsfördelningslikformighet, onormala utsignaler och starka diffraktionsslingor som skulle analyseras, och klassificeringsnoggrannheten för modellen nådde 93 %, och modellen kunde göra bedömningar i realtid på valfritt antal närfältsbilder med avseende på ovanstående sex funktioner.
I efterföljande studier, när mängden experimentella data ökar, kommer forskarna att förfina klassificeringsetiketterna för de anomala egenskaperna, särskilt de liknande funktionerna, för att bygga en mer robust modell. Detta arbete utforskar den effektiva tillämpningen av djupinlärningsmodeller i ICF-laserenheter med hög effekt, och förväntas fortsätta att utöka tillämpningen av djupinlärningsmodeller i framtiden för att tillhandahålla intelligenta analysmedel för stora laserenheter.
Fig. 1 Resultat av beräkningsmetoden för luftrum (a) CCD-inhämtad bild (b) Histogram för närfältsgrånivåfördelning (c) Histogram för närfältsgrånivåfördelning efter borttagning av bakgrunden (d) Binär bild efter borttagning av bakgrunden (e) Roterad närfältsbild efter Hough-transformen (f) Roterad binär bild (g) Beskuren närfältsbild (h) 85 % region av närfältsbilden
Fig. 2 Struktur för den rumsliga uppmärksamhetsmodellen för återstående faltning av neurala nätverk
