Recentemente, un gruppo di ricerca del Laboratorio congiunto di fisica dei laser ad alta potenza, Istituto di ottica e macchinari di precisione di Shanghai, Accademia cinese delle scienze (SIPM, CAS), ha identificato e analizzato le uscite anomale in campo vicino del dispositivo aggiornato SG-II utilizzando il metodo computazionale dello spazio aereo e il modello di deep learning con il meccanismo di attenzione per soddisfare i requisiti di tempo reale e validità per l'analisi delle molteplici uscite in campo vicino del dispositivo laser ad alta potenza. I relativi risultati sono riassunti come "Analisi in campo vicino dell'impianto laser ad alta potenza utilizzando metodi calcolati e una rete neurale convoluzionale residua con meccanismo di attenzione" in Ottica e laser in ingegneria.
La ricerca sulla fisica della fusione a confinamento inerziale (ICF) pone requisiti molto severi sulle prestazioni di uscita e sull'affidabilità dei driver laser ad alta potenza, in cui una distribuzione uniforme del campo vicino favorisce il miglioramento del flusso operativo del sistema, proteggendo l'ottica successiva e soddisfare i requisiti per un funzionamento affidabile e ad alta intensità a lungo termine del sistema. I dispositivi laser ad alta potenza contengono più raggi laser e i metodi di identificazione manuale non sono sufficientemente tempestivi ed efficaci; pertanto, sono necessari metodi efficaci per analizzare lo stato del campo vicino in momenti diversi e fornire avvisi tempestivi. Le reti neurali convoluzionali (CNN) hanno potenti capacità di estrazione di caratteristiche e possono essere addestrate su dati storici per soddisfare le esigenze di compiti complessi e diversificati.
I ricercatori propongono di utilizzare un metodo di calcolo dello spazio aereo e un modello di rete neurale convoluzionale residua con un ulteriore meccanismo di attenzione per valutare inizialmente lo stato operativo dell'unità aggiornata SG-II sulla base di un gran numero di immagini del campo vicino in momenti diversi. Il metodo di calcolo dello spazio aereo viene utilizzato per elaborare in batch le immagini del campo vicino rilevate dal CCD e i cambiamenti nell'uniformità della distribuzione del campo vicino nel tempo di funzionamento continuo del dispositivo possono essere analizzati dal regime di modulazione e dal contrasto. L'algoritmo estrae automaticamente regioni spot valide del campo vicino, fornendo anche una fase di preelaborazione per le immagini utilizzate per addestrare il modello di rete neurale convoluzionale. Il modello di rete neurale convoluzionale viene utilizzato per identificare e classificare automaticamente le caratteristiche dell'immagine del campo vicino con più etichette per consentire il rilevamento delle anomalie dello stato del campo vicino alla frequenza fondamentale (1ω). In questo lavoro, i ricercatori hanno selezionato sei caratteristiche, tra cui l'uniformità della distribuzione del campo vicino, segnali di uscita anomali e forti anelli di diffrazione da analizzare, e l'accuratezza della classificazione del modello ha raggiunto il 93% e il modello è stato in grado di esprimere giudizi in tempo reale su un numero qualsiasi di immagini in campo vicino rispetto alle sei caratteristiche di cui sopra.
Negli studi successivi, man mano che la quantità di dati sperimentali aumenta, i ricercatori affineranno le etichette di classificazione delle caratteristiche anomale, in particolare quelle simili, al fine di costruire un modello più robusto. Questo lavoro esplora l’applicazione efficace dei modelli di deep learning nei dispositivi laser ad alta potenza ICF e si prevede che continuerà ad espandere l’applicazione dei modelli di deep learning in futuro per fornire mezzi di analisi intelligenti per dispositivi laser di grandi dimensioni.
Fig. 1 Risultati del metodo di calcolo dello spazio aereo (a) Immagine acquisita dal CCD (b) Istogramma della distribuzione del livello di grigio del campo vicino (c) Istogramma della distribuzione del livello di grigio del campo vicino dopo aver rimosso lo sfondo (d) Immagine binaria dopo aver rimosso lo sfondo (e) Immagine del campo vicino ruotata dopo la trasformata di Hough (f) Immagine binaria ruotata (g) Immagine del campo vicino ritagliata (h) Regione dell'85% dell'immagine del campo vicino
Fig. 2 Struttura del modello di rete neurale convoluzionale residua dell'attenzione spaziale
