Recientemente, un equipo de investigación del Laboratorio Conjunto de Física Láser de Alta Potencia, del Instituto de Óptica y Maquinaria de Precisión de Shanghai, de la Academia China de Ciencias (SIPM, CAS), identificó y analizó las salidas anómalas de campo cercano del dispositivo mejorado SG-II. mediante el uso del método computacional del espacio aéreo y el modelo de aprendizaje profundo con el mecanismo de atención para cumplir con los requisitos de validez y tiempo real para el análisis de las múltiples salidas de campo cercano del dispositivo láser de alta potencia. Los resultados relacionados se resumen como "Análisis de campo cercano de la instalación de láser de alta potencia utilizando métodos calculados y una red neuronal convolucional residual con mecanismo de atención" en Óptica y Láseres en Ingeniería.
La investigación en física de la fusión por confinamiento inercial (ICF) impone requisitos muy estrictos al rendimiento de salida y la confiabilidad de los controladores láser de alta potencia, en los que una distribución uniforme del campo cercano favorece la mejora del flujo operativo del sistema, protege la óptica posterior y Cumplir con los requisitos para un funcionamiento confiable y de alta intensidad a largo plazo del sistema. Los dispositivos láser de alta potencia contienen múltiples rayos láser y los métodos de identificación manual no son lo suficientemente oportunos y efectivos; por lo tanto, se necesitan métodos eficaces para analizar el estado del campo cercano en diferentes momentos y proporcionar advertencias oportunas. Las redes neuronales convolucionales (CNN) tienen poderosas capacidades de extracción de características y pueden entrenarse con datos históricos para satisfacer las necesidades de tareas complejas y diversas.
Los investigadores proponen utilizar un método de cálculo del espacio aéreo y un modelo de red neuronal convolucional residual con un mecanismo de atención adicional para evaluar inicialmente el estado operativo de la unidad mejorada SG-II basándose en una gran cantidad de imágenes de campo cercano en diferentes momentos. El método de cálculo del espacio aéreo se utiliza para procesar por lotes imágenes de campo cercano detectadas por CCD, y los cambios en la uniformidad de la distribución del campo cercano durante el tiempo de funcionamiento continuo del dispositivo se pueden analizar mediante el régimen de modulación y el contraste. El algoritmo extrae automáticamente regiones puntuales válidas de campo cercano, lo que también proporciona un paso de preprocesamiento para las imágenes utilizadas para entrenar el modelo de red neuronal convolucional. El modelo de red neuronal convolucional se utiliza para identificar y clasificar automáticamente características de imágenes de campo cercano con múltiples etiquetas para permitir la detección de anomalías del estado de campo cercano de frecuencia fundamental (1ω). En este trabajo, los investigadores seleccionaron seis características para analizar, incluida la uniformidad de la distribución del campo cercano, señales de salida anómalas y fuertes bucles de difracción, y la precisión de clasificación del modelo alcanzó el 93%, y el modelo pudo hacer juicios en tiempo real. en cualquier número de imágenes de campo cercano con respecto a las seis características anteriores.
En estudios posteriores, a medida que aumente la cantidad de datos experimentales, los investigadores refinarán las etiquetas de clasificación de las características anómalas, especialmente las características similares, para construir un modelo más robusto. Este trabajo explora la aplicación efectiva de modelos de aprendizaje profundo en dispositivos láser de alta potencia ICF y se espera que continúe expandiendo la aplicación de modelos de aprendizaje profundo en el futuro para proporcionar medios de análisis inteligentes para dispositivos láser de gran tamaño.
Fig. 1 Resultados del método de cálculo del espacio aéreo (a) Imagen adquirida mediante CCD (b) Histograma de distribución del nivel de grises del campo cercano (c) Histograma de distribución del nivel de grises del campo cercano después de eliminar el fondo (d) Imagen binaria después de eliminar el fondo (e) Imagen de campo cercano rotada después de la transformada de Hough (f) Imagen binaria rotada (g) Imagen de campo cercano recortada (h) Región del 85% de la imagen de campo cercano
Fig.2 Estructura del modelo de red neuronal convolucional residual de atención espacial
