Hiljuti on Hiina Teaduste Akadeemia (SIPM, CAS) Shanghai optika- ja täppismasinate instituudi (SIPM, CAS) suure võimsusega laserfüüsika ühendlabori uurimisrühm tuvastanud ja analüüsinud SG-II täiendatud seadme anomaalseid lähiväljaväljundeid. kasutades õhuruumi arvutusmeetodit ja süvaõppe mudelit koos tähelepanumehhanismiga, et täita suure võimsusega laserseadme mitme lähivälja väljundi analüüsi reaalajas ja kehtivusnõudeid. Seotud tulemused on kokku võetud järgmiselt: "Suure võimsusega laserseadme lähiväljaanalüüs, kasutades arvutatud meetodeid ja tähelepanumehhanismiga konvolutsioonilist jääknärvivõrku" Optics and Lasers in Engineering.
Inertsiaalse sulandumise (ICF) füüsikauuringud seavad väga ranged nõuded suure võimsusega laserdraiverite väljundvõimsusele ja töökindlusele, mille puhul lähivälja ühtlane jaotus aitab suurendada süsteemi töövoogu, kaitsta järgnevat optikat ja süsteemi pikaajalise kõrge intensiivsusega ja usaldusväärse töö nõuete täitmine. Suure võimsusega laserseadmed sisaldavad mitut laserkiirt ning käsitsi tuvastamise meetodid ei ole piisavalt õigeaegsed ja tõhusad; seetõttu on erinevatel hetkedel lähivälja oleku analüüsimiseks ja õigeaegsete hoiatuste andmiseks vaja tõhusaid meetodeid. Konvolutsioonilistel närvivõrkudel (CNN) on võimsad funktsioonide eraldamise võimalused ja neid saab koolitada ajalooliste andmete põhjal, et vastata keerukate ja mitmekesiste ülesannete vajadustele.
Teadlased teevad ettepaneku kasutada õhuruumi arvutusmeetodit ja konvolutsioonilise närvivõrgu mudelit koos täiendava tähelepanumehhanismiga, et hinnata SG-II täiendatud üksuse tööolekut erinevatel aegadel suure hulga lähiväljapiltide põhjal. Õhuruumi arvutusmeetodit kasutatakse CCD-ga tuvastatud lähivälja kujutiste partii töötlemiseks ning lähivälja jaotuse ühtluse muutusi seadme pideva tööaja jooksul saab analüüsida modulatsioonirežiimi ja kontrasti järgi. Algoritm eraldab automaatselt kehtivad lähivälja täpipiirkonnad, mis pakub ka konvolutsioonilise närvivõrgu mudeli treenimiseks kasutatavate piltide eeltöötlusetappi. Konvolutsioonilise närvivõrgu mudelit kasutatakse lähivälja kujutise tunnuste automaatseks tuvastamiseks ja klassifitseerimiseks mitme märgistusega, et võimaldada põhisageduse (1ω) lähivälja oleku anomaaliate tuvastamist. Selles töös valisid teadlased välja kuus analüüsitavat tunnust, sealhulgas lähivälja jaotuse ühtsus, anomaalsed väljundsignaalid ja tugevad difraktsioonisilmused ning mudeli klassifitseerimise täpsus jõudis 93% -ni ja mudel suutis teha reaalajas otsuseid. mis tahes arvul lähiväljakujutistel ülaltoodud kuue tunnuse suhtes.
Järgmistes uuringutes, kuna eksperimentaalsete andmete hulk suureneb, täpsustavad teadlased anomaalsete tunnuste, eriti sarnaste tunnuste klassifikatsioonimärgiseid, et luua tugevam mudel. Selles töös uuritakse süvaõppe mudelite tõhusat rakendamist ICF-i suure võimsusega laserseadmetes ja eeldatavasti jätkab see süvaõppemudelite kohaldamise laiendamist tulevikus, et pakkuda intelligentseid analüüsivahendeid suurte laserseadmete jaoks.
Joonis 1 Õhuruumi arvutusmeetodi tulemused (a) CCD-ga saadud pilt (b) Lähivälja halli taseme jaotuse histogramm (c) Lähivälja halli taseme jaotuse histogramm pärast tausta eemaldamist (d) Binaarne pilt pärast tausta eemaldamist (e) Pööratud lähivälja kujutis pärast Houghi teisendust (f) Pööratud kahendkujutis (g) Kärbitud lähivälja kujutis (h) Lähivälja kujutise 85% piirkond
Joonis 2 Ruumilise tähelepanu jääkkonvolutsioonilise närvivõrgu mudeli struktuur
