Nedavno je istraživački tim iz Zajedničkog laboratorija za fiziku lasera velike snage, Šangajski institut za optiku i precizne strojeve, Kineska akademija znanosti (SIPM, CAS), identificirao i analizirao anomalične izlaze bliskog polja nadograđenog uređaja SG-II. korištenjem metode izračunavanja zračnog prostora i modela dubokog učenja s mehanizmom pažnje kako bi se ispunili zahtjevi u stvarnom vremenu i valjanosti za analizu višestrukih izlaza bliskog polja laserskog uređaja velike snage. Povezani rezultati sažeti su kao "Analiza bliskog polja laserskog postrojenja velike snage korištenjem izračunatih metoda i rezidualne konvolucijske neuronske mreže s mehanizmom pažnje" u Optici i laserima u inženjerstvu.
Fizička istraživanja inercijske zatvorene fuzije (ICF) postavljaju vrlo stroge zahtjeve na izlazne performanse i pouzdanost laserskih drajvera velike snage, u kojima ravnomjerna distribucija bliskog polja pogoduje povećanju radnog toka sustava, zaštiti kasniju optiku i ispunjavanje zahtjeva za dugotrajnim visokointenzivnim i pouzdanim radom sustava. Laserski uređaji velike snage sadrže više laserskih zraka, a ručne metode identifikacije nisu dovoljno pravovremene i učinkovite; stoga su potrebne učinkovite metode za analizu stanja bliskog polja u različitim trenucima i davanje pravovremenih upozorenja. Konvolucijske neuronske mreže (CNN) imaju snažne mogućnosti izdvajanja značajki i mogu se obučavati na povijesnim podacima kako bi zadovoljile potrebe složenih i raznolikih zadataka.
Istraživači predlažu korištenje metode proračuna zračnog prostora i modela rezidualne konvolucijske neuronske mreže s dodatnim mehanizmom pažnje za početnu procjenu operativnog statusa nadograđene jedinice SG-II na temelju velikog broja slika bliskog polja u različitim vremenima. Metoda proračuna zračnog prostora koristi se za skupnu obradu slika bliskog polja detektiranih CCD-om, a promjene u jednolikosti distribucije bliskog polja tijekom kontinuiranog vremena rada uređaja mogu se analizirati režimom modulacije i kontrastom. Algoritam automatski izvlači valjana područja točka u blizini polja, što također pruža korak predobrade za slike koje se koriste za treniranje modela konvolucijske neuronske mreže. Model konvolucijske neuronske mreže koristi se za automatsku identifikaciju i klasificiranje značajki slike bliskog polja s višestrukim oznakama kako bi se omogućilo otkrivanje anomalija stanja bliskog polja osnovne frekvencije (1ω). U ovom su radu istraživači odabrali šest značajki, uključujući jednolikost distribucije blizu polja, anomalične izlazne signale i jake difrakcijske petlje za analizu, a točnost klasifikacije modela dosegla je 93%, a model je mogao donositi prosudbe u stvarnom vremenu na bilo kojem broju slika bliskog polja s obzirom na gornjih šest značajki.
U narednim studijama, kako se količina eksperimentalnih podataka bude povećavala, istraživači će poboljšati klasifikacijske oznake anomalnih značajki, posebno sličnih značajki, kako bi izgradili robusniji model. Ovaj rad istražuje učinkovitu primjenu modela dubokog učenja u ICF laserskim uređajima velike snage, a očekuje se da će nastaviti širiti primjenu modela dubokog učenja u budućnosti kako bi se osigurala sredstva inteligentne analize za velike laserske uređaje.
Slika 1. Rezultati metode proračuna zračnog prostora (a) Slika dobivena CCD-om (b) Histogram distribucije razine sive u blizini polja (c) Histogram distribucije razine sive u blizini polja nakon uklanjanja pozadine (d) Binarna slika nakon uklanjanja pozadine (e) Rotirana slika bliskog polja nakon Houghove transformacije (f) Rotirana binarna slika (g) Izrezana slika bliskog polja (h) 85% područja slike bliskog polja
Slika 2. Struktura modela konvolucijske neuronske mreže rezidualne prostorne pažnje
