Äskettäin Kiinan tiedeakatemian Shanghain optiikka- ja tarkkuuskoneiden instituutin (SIPM, CAS) tutkimusryhmä Joint Laboratory of High Power Laser Physics -laboratoriosta on tunnistanut ja analysoinut päivitetyn SG-II-laitteen epänormaalit lähikenttälähdöt. käyttämällä ilmatilan laskentamenetelmää ja syväoppimismallia huomiomekanismin kanssa, jotta voidaan täyttää reaaliaikaiset ja validiteettivaatimukset suuritehoisen laserlaitteen useiden lähikenttälähtöjen analysoinnissa. Aiheeseen liittyvät tulokset on tiivistetty seuraavasti: "Suurtehoisen laserlaitteiston lähikenttäanalyysi käyttämällä laskettuja menetelmiä ja jäännöskonvoluutiohermoverkkoa huomiomekanismilla" Optics and Lasers in Engineeringissä.
Inertial confinement fuusio (ICF) fysiikan tutkimus asettaa erittäin tiukat vaatimukset suuritehoisten laserohjainten lähtösuorituskyvylle ja luotettavuudelle, jossa lähikentän tasainen jakautuminen parantaa järjestelmän toimintavirtaa, suojaa myöhempää optiikkaa ja täyttää järjestelmän pitkän aikavälin korkean intensiteetin ja luotettavan toiminnan vaatimukset. Suuritehoiset laserlaitteet sisältävät useita lasersäteitä, eivätkä manuaaliset tunnistusmenetelmät ole riittävän oikea-aikaisia ja tehokkaita; siksi tarvitaan tehokkaita menetelmiä lähikentän tilan analysoimiseksi eri hetkillä ja oikea-aikaisten varoitusten antamiseen. Konvoluutiohermoverkoilla (CNN) on tehokkaat ominaisuuspoimintaominaisuudet, ja niitä voidaan kouluttaa historiatietoihin vastaamaan monimutkaisten ja monimuotoisten tehtävien tarpeita.
Tutkijat ehdottavat hyödyntää ilmatilan laskentamenetelmää ja jäännöskonvoluutiohermoverkkomallia lisätarkkailumekanismin kanssa, jotta SG-II:n päivitetyn yksikön toimintatila voidaan arvioida alustavasti suuren määrän lähikenttäkuvia eri aikoina. Ilmatilan laskentamenetelmää käytetään CCD-havaittujen lähikenttäkuvien panoskäsittelyyn, ja muutoksia lähikenttäjakauman yhtenäisyydessä laitteen jatkuvan toiminta-ajan aikana voidaan analysoida modulaatiojärjestelmällä ja kontrastilla. Algoritmi poimii automaattisesti validit lähikenttäpistealueet, mikä tarjoaa myös esikäsittelyvaiheen kuville, joita käytetään konvoluutiohermoverkkomallin harjoittamiseen. Konvoluutiohermoverkkomallia käytetään lähikenttäkuvan ominaisuuksien automaattiseen tunnistamiseen ja luokitteluun useilla tunnisteilla, mikä mahdollistaa perustaajuuden (1ω) lähikentän poikkeamien havaitsemisen. Tässä työssä tutkijat valitsivat analysoitaviksi kuusi ominaisuutta, mukaan lukien lähikenttäjakauman tasaisuus, poikkeavat lähtösignaalit ja vahvat diffraktiosilmukat, ja mallin luokittelutarkkuus saavutti 93 % ja malli pystyi tekemään reaaliaikaisia arvioita. missä tahansa määrässä lähikenttäkuvia edellä mainittujen kuuden ominaisuuden suhteen.
Myöhemmissä tutkimuksissa kokeellisen tiedon määrän kasvaessa tutkijat tarkentavat poikkeavien ominaisuuksien luokitusmerkintöjä, erityisesti samankaltaisia ominaisuuksia, rakentaakseen entistä vankemman mallin. Tämä työ tutkii syväoppimismallien tehokasta soveltamista ICF:n suuritehoisissa laserlaitteissa, ja sen odotetaan jatkavan syväoppimismallien soveltamisen laajentamista tulevaisuudessa tarjotakseen älykkäitä analyysikeinoja suurille laserlaitteille.

Kuva 1 Ilmatilan laskentamenetelmän tulokset (a) CCD:llä hankittu kuva (b) Lähikentän harmaasävyjakauman histogrammi (c) Lähikentän harmaasävyjakauman histogrammi taustan poistamisen jälkeen (d) Binaarikuva taustan poistamisen jälkeen (e) Kierretty lähikenttäkuva Hough-muunnoksen jälkeen (f) Kierretty binäärikuva (g) Rajattu lähikenttäkuva (h) 85 % lähikenttäkuvasta

Kuva 2 Spatiaalisen huomion jäännöskonvoluutiohermoverkkomallin rakenne





