Недавно је истраживачки тим из Заједничке лабораторије за ласерску физику велике снаге, Шангајског института за оптику и прецизне машине, Кинеске академије наука (СИПМ, ЦАС), идентификовао и анализирао аномалне излазе блиског поља надограђеног уређаја СГ-ИИ коришћењем рачунарске методе ваздушног простора и модела дубоког учења са механизмом пажње како би се испунили захтеви у реалном времену и валидности за анализу вишеструких излаза блиског поља ласерског уређаја велике снаге. Повезани резултати су сажети као „Анализа блиског поља ласерског постројења велике снаге коришћењем израчунатих метода и резидуалне конволуционе неуронске мреже са механизмом пажње“ у Оптицс анд Ласерс ин Енгинееринг.
Истраживања физике фузије инерцијалног затварања (ИЦФ) постављају веома строге захтеве за излазне перформансе и поузданост ласерских драјвера велике снаге, у којима равномерна дистрибуција блиског поља доприноси побољшању радног флукса система, заштити накнадне оптике и испуњавање захтева за дуготрајан високо интензивни и поуздан рад система. Ласерски уређаји велике снаге садрже више ласерских зрака, а ручне методе идентификације нису довољно благовремене и ефикасне; стога су потребне ефикасне методе за анализу стања блиског поља у различитим тренуцима и давање правовремених упозорења. Конволуционе неуронске мреже (ЦНН) имају моћне могућности екстракције карактеристика и могу се обучити на историјским подацима како би задовољиле потребе сложених и разноврсних задатака.
Истраживачи предлажу коришћење методе прорачуна ваздушног простора и модела резидуалне конволуционе неуронске мреже са додатним механизмом пажње да би се првобитно проценио оперативни статус надограђене јединице СГ-ИИ на основу великог броја слика блиског поља у различито време. Метода прорачуна ваздушног простора се користи за групну обраду слика блиског поља детектованих ЦЦД-ом, а промене у униформности дистрибуције блиског поља током непрекидног времена рада уређаја могу се анализирати режимом модулације и контрастом. Алгоритам аутоматски издваја валидне области тачака у блиском пољу, што такође обезбеђује корак претходне обраде за слике које се користе за обуку модела конволуционе неуронске мреже. Модел конволуционе неуронске мреже се користи за аутоматску идентификацију и класификацију карактеристика слике блиског поља са вишеструким ознакама како би се омогућило откривање аномалија стања блиског поља основне фреквенције (1ω). У овом раду, истраживачи су одабрали шест карактеристика, укључујући униформност дистрибуције блиског поља, аномалне излазне сигнале и јаке дифракционе петље које треба анализирати, а тачност класификације модела достигла је 93%, а модел је могао да доноси пресуде у реалном времену. на било који број слика блиског поља у односу на горњих шест карактеристика.
У наредним студијама, како се количина експерименталних података повећава, истраживачи ће прецизирати класификацијске ознаке аномалних карактеристика, посебно сличних карактеристика, како би изградили робуснији модел. Овај рад истражује ефикасну примену модела дубоког учења у ИЦФ ласерским уређајима велике снаге, и очекује се да ће наставити да шири примену модела дубоког учења у будућности како би се обезбедила интелигентна средства за анализу за велике ласерске уређаје.
Слика 1 Резултати методе прорачуна ваздушног простора (а) ЦЦД добијена слика (б) Хистограм дистрибуције нивоа сивог у блиском пољу (ц) Хистограм дистрибуције нивоа сивог у блиском пољу након уклањања позадине (д) Бинарна слика након уклањања позадине (е) Ротирана слика блиског поља након Хаугхове трансформације (ф) Ротирана бинарна слика (г) Исечена слика блиског поља (х) 85% региона слике блиског поља
Слика 2. Структура модела конволуционе неуронске мреже резидуалне пажње
