Nesen pētnieku grupa no Ķīnas Zinātņu akadēmijas Šanhajas Optikas un precīzās tehnikas institūta (SIPM, CAS) Apvienotās lieljaudas lāzerfizikas laboratorijas ir identificējusi un analizējusi SG-II modernizētās ierīces anomālos tuva lauka izvadi. izmantojot gaisa telpas skaitļošanas metodi un dziļās mācīšanās modeli ar uzmanības mehānismu, lai izpildītu reāllaika un derīguma prasības lieljaudas lāzerierīces vairāku tuvā lauka izvadu analīzei. Saistītie rezultāti ir apkopoti kā "Lieljaudas lāzeriekārtas tuvā lauka analīze, izmantojot aprēķinātās metodes un atlikušo konvolucionālo neironu tīklu ar uzmanības mehānismu" Optika un lāzeri inženierzinātnēs.
Inerciālās saplūšanas (ICF) fizikas pētījumi izvirza ļoti stingras prasības lieljaudas lāzera draiveru izvades veiktspējai un uzticamībai, kur vienmērīgs tuvā lauka sadalījums veicina sistēmas darbības plūsmas uzlabošanu, turpmākās optikas aizsardzību un atbilst prasībām ilgstošai augstas intensitātes un uzticamas sistēmas darbībai. Lieljaudas lāzerierīces satur vairākus lāzera starus, un manuālās identifikācijas metodes nav savlaicīgas un pietiekami efektīvas; tādēļ ir nepieciešamas efektīvas metodes, lai analizētu tuvā lauka stāvokli dažādos brīžos un sniegtu savlaicīgus brīdinājumus. Konvolucionālajiem neironu tīkliem (CNN) ir jaudīgas funkciju ieguves iespējas, un tos var apmācīt, izmantojot vēsturiskos datus, lai apmierinātu sarežģītu un daudzveidīgu uzdevumu vajadzības.
Pētnieki ierosina izmantot gaisa telpas aprēķinu metodi un atlikušo konvolucionālo neironu tīkla modeli ar papildu uzmanības mehānismu, lai sākotnēji novērtētu SG-II modernizētās vienības darbības stāvokli, pamatojoties uz lielu skaitu tuva lauka attēlu dažādos laikos. Gaisa telpas aprēķinu metode tiek izmantota, lai pakešapstrādātu CCD noteiktos tuvā lauka attēlus, un izmaiņas tuvā lauka sadalījuma vienmērībā ierīces nepārtrauktas darbības laikā var analizēt, izmantojot modulācijas režīmu un kontrastu. Algoritms automātiski ekstrahē derīgus tuva lauka punktu reģionus, kas nodrošina arī priekšapstrādes soli attēliem, ko izmanto, lai apmācītu konvolūcijas neironu tīkla modeli. Konvolūcijas neironu tīkla modelis tiek izmantots, lai automātiski identificētu un klasificētu tuvā lauka attēla iezīmes ar vairākām etiķetēm, lai varētu noteikt fundamentālās frekvences (1ω) tuvā lauka stāvokļa anomālijas. Šajā darbā pētnieki izvēlējās sešas analizējamās pazīmes, tostarp tuvu lauka sadalījuma vienmērīgumu, anomālus izejas signālus un spēcīgas difrakcijas cilpas, un modeļa klasifikācijas precizitāte sasniedza 93%, un modelis varēja pieņemt reāllaika spriedumus. uz jebkura skaita tuva lauka attēlu attiecībā uz iepriekš minētajām sešām iezīmēm.
Turpmākajos pētījumos, palielinoties eksperimentālo datu apjomam, pētnieki uzlabos anomālo pazīmju, īpaši līdzīgu pazīmju, klasifikācijas etiķetes, lai izveidotu izturīgāku modeli. Šajā darbā tiek pētīta dziļās mācīšanās modeļu efektīva pielietošana ICF lieljaudas lāzerierīcēs, un ir paredzams, ka nākotnē tas turpinās paplašināt dziļās mācīšanās modeļu pielietojumu, lai nodrošinātu viedus analīzes līdzekļus lielām lāzerierīcēm.
1. att. Gaisa telpas aprēķina metodes rezultāti (a) CCD iegūtais attēls (b) Tuva lauka pelēkā līmeņa sadalījuma histogramma (c) Tuva lauka pelēkā līmeņa sadalījuma histogramma pēc fona noņemšanas (d) Binārais attēls pēc fona noņemšanas (e) Pagriezts tuvā lauka attēls pēc Hough transformācijas (f) Pagriezts binārais attēls (g) Apgriezts tuvā lauka attēls (h) 85% tuva lauka attēla apgabals
2. att. Telpiskās uzmanības atlikuma konvolucionālā neironu tīkla modeļa struktūra
