Pred kratkim je raziskovalna skupina iz Skupnega laboratorija za fiziko visokozmogljivih laserjev, Šanghajski inštitut za optiko in precizne stroje, Kitajska akademija znanosti (SIPM, CAS), identificirala in analizirala nenormalne rezultate bližnjega polja nadgrajene naprave SG-II. z uporabo računalniške metode zračnega prostora in modela globokega učenja z mehanizmom pozornosti za izpolnjevanje zahtev v realnem času in veljavnosti za analizo več izhodov bližnjega polja visokozmogljive laserske naprave. Povezani rezultati so povzeti kot "Analiza bližnjega polja visokozmogljivega laserskega objekta z uporabo izračunanih metod in preostale konvolucijske nevronske mreže z mehanizmom pozornosti" v Optiki in laserjih v tehniki.
Raziskave fizike inercialne konfinment fuzije (ICF) postavljajo zelo stroge zahteve glede izhodne zmogljivosti in zanesljivosti visoko zmogljivih laserskih gonilnikov, pri katerih enakomerna porazdelitev bližnjega polja prispeva k povečanju delovnega toka sistema, zaščiti kasnejšo optiko in izpolnjevanje zahtev po dolgoročnem visokointenzivnem in zanesljivem delovanju sistema. Visokozmogljive laserske naprave vsebujejo več laserskih žarkov, ročne metode identifikacije pa niso dovolj pravočasne in učinkovite; zato so potrebne učinkovite metode za analizo stanja bližnjega polja v različnih trenutkih in zagotavljanje pravočasnih opozoril. Konvolucijske nevronske mreže (CNN) imajo zmogljive zmožnosti pridobivanja funkcij in jih je mogoče učiti na zgodovinskih podatkih, da zadostijo potrebam zapletenih in raznolikih nalog.
Raziskovalci predlagajo uporabo metode izračuna zračnega prostora in preostalega konvolucijskega modela nevronske mreže z mehanizmom dodatne pozornosti za začetno oceno operativnega statusa nadgrajene enote SG-II na podlagi velikega števila slik bližnjega polja v različnih časih. Metoda izračuna zračnega prostora se uporablja za paketno obdelavo slik bližnjega polja, zaznanih s CCD, in spremembe v enakomernosti porazdelitve bližnjega polja v neprekinjenem času delovanja naprave je mogoče analizirati z modulacijskim režimom in kontrastom. Algoritem samodejno ekstrahira veljavna območja točk bližnjega polja, kar zagotavlja tudi korak predprocesiranja slik, ki se uporabljajo za urjenje modela konvolucijske nevronske mreže. Model konvolucijske nevronske mreže se uporablja za samodejno prepoznavanje in razvrščanje funkcij slike bližnjega polja z več oznakami, da se omogoči zaznavanje anomalij stanja bližnjega polja osnovne frekvence (1ω). V tem delu so raziskovalci izbrali šest značilnosti, vključno z enakomernostjo porazdelitve bližnjega polja, nenormalnimi izhodnimi signali in močnimi uklonskimi zankami, ki jih je treba analizirati, klasifikacijska natančnost modela pa je dosegla 93 %, model pa je lahko presojal v realnem času. na poljubnem številu slik bližnjega polja glede na zgornjih šest značilnosti.
V nadaljnjih študijah, ko se količina eksperimentalnih podatkov poveča, bodo raziskovalci izboljšali klasifikacijske oznake nenormalnih značilnosti, zlasti podobnih značilnosti, da bi zgradili bolj robusten model. To delo raziskuje učinkovito uporabo modelov globokega učenja v visokozmogljivih laserskih napravah ICF in pričakuje se, da bo v prihodnosti še naprej širilo uporabo modelov globokega učenja, da bi zagotovilo inteligentna analitska sredstva za velike laserske naprave.
Slika 1 Rezultati metode izračuna zračnega prostora (a) Slika, pridobljena s CCD (b) Histogram porazdelitve sive ravni bližnjega polja (c) Histogram porazdelitve sive ravni bližnjega polja po odstranitvi ozadja (d) Binarna slika po odstranitvi ozadja (e) Zasukana slika bližnjega polja po Houghovi transformaciji (f) Zasukana binarna slika (g) Obrezana slika bližnjega polja (h) 85 % območja slike bližnjega polja
Slika 2 Struktura modela konvolucijske nevronske mreže preostale prostorske pozornosti
