Πρόσφατα, μια ερευνητική ομάδα από το Joint Laboratory of High Power Laser Physics, Shanghai Institute of Optics and Precision Machinery, China Academy of Sciences (SIPM, CAS), εντόπισε και ανέλυσε τις ανώμαλες εξόδους κοντινού πεδίου της αναβαθμισμένης συσκευής SG-II χρησιμοποιώντας την υπολογιστική μέθοδο εναέριου χώρου και το μοντέλο βαθιάς μάθησης με τον μηχανισμό προσοχής για την κάλυψη των απαιτήσεων σε πραγματικό χρόνο και εγκυρότητας για την ανάλυση των πολλαπλών εξόδων κοντινού πεδίου της συσκευής λέιζερ υψηλής ισχύος. Τα σχετικά αποτελέσματα συνοψίζονται ως "Ανάλυση κοντινού πεδίου της εγκατάστασης λέιζερ υψηλής ισχύος χρησιμοποιώντας υπολογισμένες μεθόδους και ένα υπολειπόμενο συνελικτικό νευρωνικό δίκτυο με μηχανισμό προσοχής" στο Optics and Lasers in Engineering.
Η έρευνα της φυσικής για τη σύντηξη αδρανειακής περιορισμού (ICF) θέτει πολύ αυστηρές απαιτήσεις για την απόδοση εξόδου και την αξιοπιστία των οδηγών λέιζερ υψηλής ισχύος, στα οποία μια ομοιόμορφη κατανομή του κοντινού πεδίου συμβάλλει στη βελτίωση της ροής λειτουργίας του συστήματος, στην προστασία των επακόλουθων οπτικών και και πληρούν τις απαιτήσεις για μακροχρόνια υψηλής έντασης και αξιόπιστη λειτουργία του συστήματος. Οι συσκευές λέιζερ υψηλής ισχύος περιέχουν πολλαπλές ακτίνες λέιζερ και οι μέθοδοι χειροκίνητης αναγνώρισης δεν είναι αρκετά έγκαιρες και αποτελεσματικές. Ως εκ τούτου, απαιτούνται αποτελεσματικές μέθοδοι για την ανάλυση της κατάστασης κοντινού πεδίου σε διαφορετικές στιγμές και την παροχή έγκαιρων προειδοποιήσεων. Τα συνελικτικά νευρωνικά δίκτυα (CNN) έχουν ισχυρές δυνατότητες εξαγωγής χαρακτηριστικών και μπορούν να εκπαιδευτούν σε ιστορικά δεδομένα για να καλύψουν τις ανάγκες σύνθετων και διαφορετικών εργασιών.
Οι ερευνητές προτείνουν τη χρήση μιας μεθόδου υπολογισμού εναέριου χώρου και ενός μοντέλου υπολειπόμενου συνελικτικού νευρωνικού δικτύου με έναν πρόσθετο μηχανισμό προσοχής για να εκτιμηθεί αρχικά η λειτουργική κατάσταση της αναβαθμισμένης μονάδας SG-II με βάση μεγάλο αριθμό εικόνων κοντινού πεδίου σε διαφορετικές χρονικές στιγμές. Η μέθοδος υπολογισμού εναέριου χώρου χρησιμοποιείται για τη μαζική επεξεργασία εικόνων κοντινού πεδίου που ανιχνεύονται από CCD και οι αλλαγές στην ομοιομορφία της κατανομής κοντινού πεδίου κατά τη διάρκεια του χρόνου συνεχούς λειτουργίας της συσκευής μπορούν να αναλυθούν από το καθεστώς διαμόρφωσης και την αντίθεση. Ο αλγόριθμος εξάγει αυτόματα έγκυρες περιοχές κοντινού πεδίου, το οποίο παρέχει επίσης ένα βήμα προεπεξεργασίας για τις εικόνες που χρησιμοποιούνται για την εκπαίδευση του μοντέλου συνελικτικού νευρωνικού δικτύου. Το μοντέλο συνελικτικού νευρωνικού δικτύου χρησιμοποιείται για την αυτόματη αναγνώριση και ταξινόμηση χαρακτηριστικών εικόνας κοντινού πεδίου με πολλαπλές ετικέτες για να επιτρέψει την ανίχνευση ανωμαλιών κατάστασης θεμελιωδών συχνοτήτων (1ω) κοντινού πεδίου. Σε αυτή την εργασία, οι ερευνητές επέλεξαν έξι χαρακτηριστικά, όπως ομοιομορφία κατανομής πλησίον πεδίου, ανώμαλα σήματα εξόδου και ισχυρούς βρόχους περίθλασης προς ανάλυση, και η ακρίβεια ταξινόμησης του μοντέλου έφτασε το 93% και το μοντέλο ήταν σε θέση να κάνει κρίσεις σε πραγματικό χρόνο σε οποιονδήποτε αριθμό εικόνων κοντινού πεδίου σε σχέση με τα παραπάνω έξι χαρακτηριστικά.
Σε επόμενες μελέτες, καθώς αυξάνεται ο όγκος των πειραματικών δεδομένων, οι ερευνητές θα βελτιώσουν τις ετικέτες ταξινόμησης των ανώμαλων χαρακτηριστικών, ειδικά των παρόμοιων χαρακτηριστικών, προκειμένου να οικοδομήσουν ένα πιο ισχυρό μοντέλο. Αυτή η εργασία διερευνά την αποτελεσματική εφαρμογή μοντέλων βαθιάς μάθησης σε συσκευές λέιζερ υψηλής ισχύος ICF και αναμένεται να συνεχίσει να επεκτείνει την εφαρμογή μοντέλων βαθιάς μάθησης στο μέλλον για να παρέχει έξυπνα μέσα ανάλυσης για μεγάλες συσκευές λέιζερ.

Εικ. 1 Αποτελέσματα της μεθόδου υπολογισμού του εναέριου χώρου (α) Εικόνα αποκτηθείσα από CCD (β) Ιστόγραμμα κατανομής επιπέδου γκρι κοντά στο πεδίο (γ) Ιστόγραμμα κατανομής επιπέδου γκρι κοντά στο πεδίο μετά την αφαίρεση του φόντου (δ) Δυαδική εικόνα μετά την αφαίρεση του φόντου (ε) Περιστρεφόμενη εικόνα κοντινού πεδίου μετά τον μετασχηματισμό Hough (στ) Περιστρεφόμενη δυαδική εικόνα (ζ) Περικομμένη εικόνα κοντινού πεδίου (η) Περιοχή 85% εικόνας κοντινού πεδίου

Εικ. 2 Δομή του υπολειπόμενου μοντέλου συνελικτικού νευρωνικού δικτύου χωρικής προσοχής





