Recentemente, uma equipe de pesquisa do Laboratório Conjunto de Física de Laser de Alta Potência, Instituto de Óptica e Máquinas de Precisão de Xangai, Academia Chinesa de Ciências (SIPM, CAS), identificou e analisou as saídas anômalas de campo próximo do dispositivo atualizado SG-II usando o método computacional do espaço aéreo e o modelo de aprendizagem profunda com o mecanismo de atenção para atender aos requisitos de validade e tempo real para a análise das múltiplas saídas de campo próximo do dispositivo laser de alta potência. Os resultados relacionados são resumidos como "Análise de campo próximo da instalação de laser de alta potência usando métodos calculados e uma rede neural convolucional residual com mecanismo de atenção" em Óptica e Lasers em Engenharia.
A pesquisa física de fusão por confinamento inercial (ICF) impõe requisitos muito rigorosos ao desempenho de saída e à confiabilidade de drivers de laser de alta potência, nos quais uma distribuição uniforme do campo próximo conduz a melhorar o fluxo operacional do sistema, protegendo a óptica subsequente, e atendendo aos requisitos de operação confiável e de alta intensidade a longo prazo do sistema. Dispositivos laser de alta potência contêm vários feixes de laser e os métodos de identificação manual não são oportunos e eficazes o suficiente; portanto, são necessários métodos eficazes para analisar o estado do campo próximo em diferentes momentos e fornecer avisos oportunos. As redes neurais convolucionais (CNNs) possuem poderosos recursos de extração de recursos e podem ser treinadas em dados históricos para atender às necessidades de tarefas complexas e diversas.
Os pesquisadores propõem utilizar um método de computação do espaço aéreo e um modelo de rede neural convolucional residual com um mecanismo de atenção adicional para avaliar inicialmente o status operacional da unidade atualizada do SG-II com base em um grande número de imagens de campo próximo em momentos diferentes. O método de computação do espaço aéreo é usado para processar em lote imagens de campo próximo detectadas por CCD, e mudanças na uniformidade da distribuição de campo próximo ao longo do tempo de operação contínua do dispositivo podem ser analisadas pelo regime de modulação e contraste. O algoritmo extrai automaticamente regiões válidas de campo próximo, o que também fornece uma etapa de pré-processamento para as imagens usadas para treinar o modelo de rede neural convolucional. O modelo de rede neural convolucional é usado para identificar e classificar automaticamente recursos de imagem de campo próximo com vários rótulos para permitir a detecção de anomalias de estado de campo próximo de frequência fundamental (1ω). Neste trabalho, os pesquisadores selecionaram seis características, incluindo uniformidade de distribuição de campo próximo, sinais de saída anômalos e fortes loops de difração, para serem analisados, e a precisão de classificação do modelo atingiu 93%, e o modelo foi capaz de fazer julgamentos em tempo real. em qualquer número de imagens de campo próximo em relação aos seis recursos acima.
Em estudos subsequentes, à medida que a quantidade de dados experimentais aumenta, os pesquisadores irão refinar os rótulos de classificação das características anômalas, especialmente as características semelhantes, a fim de construir um modelo mais robusto. Este trabalho explora a aplicação eficaz de modelos de aprendizagem profunda em dispositivos laser de alta potência da CIF e espera-se que continue a expandir a aplicação de modelos de aprendizagem profunda no futuro para fornecer meios de análise inteligentes para grandes dispositivos a laser.
Fig. 1 Resultados do método de cálculo do espaço aéreo (a) Imagem adquirida por CCD (b) Histograma da distribuição do nível de cinza no campo próximo (c) Histograma da distribuição do nível de cinza no campo próximo após a remoção do fundo (d) Imagem binária após a remoção do fundo (e) Imagem de campo próximo girada após a transformada de Hough (f) Imagem binária girada (g) Imagem de campo próximo cortada (h) Região de 85% da imagem de campo próximo
Fig. 2 Estrutura do modelo de rede neural convolucional residual de atenção espacial
