Recentment, un equip d'investigació del Joint Laboratory of High Power Laser Physics de l'Institut d'Òptica i Maquinària de Precisió de Xangai, Acadèmia Xinesa de Ciències (SIPM, CAS), ha identificat i analitzat les sortides anòmales de camp proper del dispositiu actualitzat SG-II. utilitzant el mètode computacional de l'espai aeri i el model d'aprenentatge profund amb el mecanisme d'atenció per complir els requisits de validesa i temps real per a l'anàlisi de les múltiples sortides de camp proper del dispositiu làser d'alta potència. Els resultats relacionats es resumeixen com a "Anàlisi de camp proper de la instal·lació làser d'alta potència mitjançant mètodes calculats i una xarxa neuronal convolucional residual amb mecanisme d'atenció" a Òptica i làsers en enginyeria.
La investigació de la física de fusió de confinament inercial (ICF) estableix requisits molt estrictes sobre el rendiment de sortida i la fiabilitat dels controladors làser d'alta potència, en els quals una distribució uniforme del camp proper ajuda a millorar el flux operatiu del sistema, protegint l'òptica posterior i complint els requisits per a un funcionament fiable i d'alta intensitat a llarg termini del sistema. Els dispositius làser d'alta potència contenen múltiples raigs làser i els mètodes d'identificació manuals no són prou oportuns i efectius; per tant, calen mètodes efectius per analitzar l'estat del camp proper en diferents moments i proporcionar avisos oportuns. Les xarxes neuronals convolucionals (CNN) tenen potents capacitats d'extracció de característiques i es poden entrenar amb dades històriques per satisfer les necessitats de tasques complexes i diverses.
Els investigadors proposen utilitzar un mètode de càlcul de l'espai aeri i un model de xarxa neuronal convolucional residual amb un mecanisme d'atenció addicional per avaluar inicialment l'estat operatiu de la unitat actualitzada SG-II basant-se en un gran nombre d'imatges de camp proper en diferents moments. El mètode de càlcul de l'espai aeri s'utilitza per processar per lots les imatges de camp proper detectades per CCD, i els canvis en la uniformitat de la distribució del camp proper durant el temps de funcionament continu del dispositiu es poden analitzar mitjançant el règim de modulació i el contrast. L'algorisme extreu automàticament les regions vàlides de camp proper, que també proporciona un pas de preprocessament per a les imatges utilitzades per entrenar el model de xarxa neuronal convolucional. El model de xarxa neuronal convolucional s'utilitza per identificar i classificar automàticament les característiques d'imatge de camp proper amb múltiples etiquetes per permetre la detecció d'anomalies d'estat de camp proper de freqüència fonamental (1ω). En aquest treball, els investigadors van seleccionar sis característiques que inclouen la uniformitat de la distribució del camp proper, els senyals de sortida anòmals i els bucles de difracció forts per ser analitzats, i la precisió de classificació del model va arribar al 93% i el model va poder fer judicis en temps real. en qualsevol nombre d'imatges de camp proper respecte a les sis característiques anteriors.
En estudis posteriors, a mesura que augmenta la quantitat de dades experimentals, els investigadors perfeccionaran les etiquetes de classificació de les característiques anòmales, especialment les característiques similars, per tal de construir un model més robust. Aquest treball explora l'aplicació efectiva de models d'aprenentatge profund en dispositius làser d'alta potència ICF i s'espera que continuï ampliant l'aplicació de models d'aprenentatge profund en el futur per proporcionar mitjans d'anàlisi intel·ligents per a dispositius làser grans.
Fig. 1 Resultats del mètode de càlcul de l'espai aeri (a) Imatge adquirida CCD (b) Histograma de la distribució del nivell de gris en camp proper (c) Histograma de la distribució del nivell de gris en camp proper després d'eliminar el fons (d) Imatge binària després d'eliminar el fons (e) Imatge de camp proper girada després de la transformada de Hough (f) Imatge binària girada (g) Imatge de camp proper retallada (h) Regió del 85% de la imatge de camp proper
Fig. 2 Estructura del model de xarxa neuronal convolucional residual d'atenció espacial
