Niedawno zespół badawczy ze Wspólnego Laboratorium Fizyki Laserów Wielkiej Mocy Szanghajskiego Instytutu Optyki i Maszyn Precyzyjnych Chińskiej Akademii Nauk (SIPM, CAS) zidentyfikował i przeanalizował anomalne wyjścia bliskiego pola zmodernizowanego urządzenia SG-II wykorzystując metodę obliczeniową przestrzeni powietrznej i model głębokiego uczenia się z mechanizmem uwagi, aby spełnić wymagania czasu rzeczywistego i ważności dotyczące analizy wielu wyjść bliskiego pola urządzenia laserowego dużej mocy. Powiązane wyniki podsumowano w artykule „Analiza bliskiego pola obiektu laserowego dużej mocy przy użyciu metod obliczeniowych i resztkowej splotowej sieci neuronowej z mechanizmem uwagi” w publikacji Optics and Lasers in Engineering.
Badania fizyki inercyjnej syntezy ograniczającej (ICF) nakładają bardzo rygorystyczne wymagania na wydajność wyjściową i niezawodność sterowników laserowych dużej mocy, w których równomierny rozkład bliskiego pola sprzyja poprawie strumienia operacyjnego systemu, chroniąc późniejszą optykę i spełnienie wymagań dotyczących długotrwałej, intensywnej i niezawodnej pracy systemu. Urządzenia laserowe dużej mocy zawierają wiele wiązek laserowych, a metody ręcznej identyfikacji nie są wystarczająco szybkie i skuteczne; dlatego potrzebne są skuteczne metody analizy stanu bliskiego pola w różnych momentach i zapewniania ostrzeżeń w odpowiednim czasie. Konwolucyjne sieci neuronowe (CNN) mają potężne możliwości ekstrakcji cech i można je trenować na danych historycznych, aby sprostać potrzebom złożonych i różnorodnych zadań.
Badacze proponują wykorzystanie metody obliczeń przestrzeni powietrznej i modelu resztkowej splotowej sieci neuronowej z dodatkowym mechanizmem uwagi do wstępnej oceny stanu operacyjnego zmodernizowanej jednostki SG-II na podstawie dużej liczby obrazów bliskiego pola w różnych momentach. Metoda obliczeń przestrzeni powietrznej służy do przetwarzania wsadowego obrazów bliskiego pola wykrytych przez CCD, a zmiany w równomierności rozkładu bliskiego pola w czasie ciągłej pracy urządzenia można analizować za pomocą reżimu modulacji i kontrastu. Algorytm automatycznie wyodrębnia prawidłowe obszary plamek bliskiego pola, co zapewnia również etap wstępnego przetwarzania obrazów używanych do uczenia modelu splotowej sieci neuronowej. Model splotowej sieci neuronowej służy do automatycznej identyfikacji i klasyfikacji cech obrazu bliskiego pola za pomocą wielu etykiet, aby umożliwić wykrycie anomalii stanu bliskiego pola o częstotliwości podstawowej (1ω). W tej pracy badacze wybrali do analizy sześć cech, w tym równomierność rozkładu bliskiego pola, anomalne sygnały wyjściowe i silne pętle dyfrakcyjne, a dokładność klasyfikacji modelu osiągnęła 93%, a model był w stanie dokonywać ocen w czasie rzeczywistym na dowolnej liczbie obrazów bliskiego pola w odniesieniu do powyższych sześciu cech.
W kolejnych badaniach, w miarę zwiększania się ilości danych eksperymentalnych, badacze będą udoskonalać etykiety klasyfikacyjne cech anomalnych, zwłaszcza cech podobnych, w celu zbudowania solidniejszego modelu. W pracy tej zbadano efektywne zastosowanie modeli głębokiego uczenia się w urządzeniach laserowych dużej mocy ICF i oczekuje się, że w przyszłości zastosowanie modeli głębokiego uczenia się będzie nadal rozszerzane, aby zapewnić inteligentne środki analizy dla dużych urządzeń laserowych.
Rys. 1 Wyniki metody obliczeń przestrzeni powietrznej (a) Obraz uzyskany za pomocą CCD (b) Histogram rozkładu poziomu szarości bliskiego pola (c) Histogram rozkładu poziomu szarości bliskiego pola po usunięciu tła (d) Obraz binarny po usunięciu tła (e) Obrócony obraz bliskiego pola po transformacji Hougha (f) Obrócony obraz binarny (g) Przycięty obraz bliskiego pola (h) 85% obszaru obrazu bliskiego pola
Rys. 2. Struktura modelu resztkowej splotowej sieci neuronowej uwagi przestrzennej
