Baru-baru ini, tim peneliti dari Laboratorium Gabungan Fisika Laser Daya Tinggi, Institut Optik dan Mesin Presisi Shanghai, Akademi Ilmu Pengetahuan Tiongkok (SIPM, CAS), telah mengidentifikasi dan menganalisis keluaran medan dekat yang anomali dari perangkat SG-II yang ditingkatkan. dengan menggunakan metode komputasi wilayah udara dan model pembelajaran mendalam dengan mekanisme perhatian untuk memenuhi persyaratan waktu nyata dan validitas untuk analisis beberapa keluaran medan dekat dari perangkat laser berdaya tinggi. Hasil terkait dirangkum sebagai "Analisis medan dekat dari fasilitas laser berdaya tinggi menggunakan metode terhitung dan jaringan saraf konvolusional sisa dengan mekanisme perhatian" di bidang Optik dan Laser di bidang Teknik.
Penelitian fisika fusi pengurungan inersia (ICF) menempatkan persyaratan yang sangat ketat pada kinerja keluaran dan keandalan driver laser berdaya tinggi, di mana distribusi medan dekat yang seragam kondusif untuk meningkatkan fluks operasi sistem, melindungi optik berikutnya, dan memenuhi persyaratan untuk pengoperasian sistem dengan intensitas tinggi dan andal dalam jangka panjang. Perangkat laser berdaya tinggi mengandung banyak sinar laser, dan metode identifikasi manual tidak cukup tepat waktu dan efektif; oleh karena itu, diperlukan metode yang efektif untuk menganalisis keadaan medan dekat pada berbagai momen dan memberikan peringatan tepat waktu. Jaringan saraf konvolusional (CNN) memiliki kemampuan ekstraksi fitur yang kuat dan dapat dilatih berdasarkan data historis untuk memenuhi kebutuhan tugas yang kompleks dan beragam.
Para peneliti mengusulkan untuk menggunakan metode komputasi wilayah udara dan model jaringan saraf konvolusional sisa dengan mekanisme perhatian tambahan untuk menilai status operasional unit SG-II yang ditingkatkan berdasarkan sejumlah besar gambar jarak dekat pada waktu yang berbeda. Metode komputasi wilayah udara digunakan untuk memproses gambar medan dekat yang terdeteksi CCD secara batch, dan perubahan dalam keseragaman distribusi medan dekat selama waktu operasi berkelanjutan perangkat dapat dianalisis dengan rezim modulasi dan kontras. Algoritme ini secara otomatis mengekstrak wilayah titik dekat lapangan yang valid, yang juga menyediakan langkah pra-pemrosesan untuk gambar yang digunakan untuk melatih model jaringan saraf konvolusional. Model jaringan saraf konvolusional digunakan untuk secara otomatis mengidentifikasi dan mengklasifikasikan fitur gambar medan dekat dengan banyak label untuk memungkinkan deteksi anomali keadaan medan dekat frekuensi dasar (1ω). Dalam karya ini, para peneliti memilih enam fitur termasuk keseragaman distribusi medan dekat, sinyal keluaran anomali, dan loop difraksi kuat untuk dianalisis, dan akurasi klasifikasi model mencapai 93%, dan model mampu membuat penilaian secara real-time. pada sejumlah gambar jarak dekat sehubungan dengan enam fitur di atas.
Pada penelitian selanjutnya, seiring dengan bertambahnya jumlah data eksperimen, peneliti akan menyempurnakan label klasifikasi fitur anomali, terutama fitur serupa, untuk membangun model yang lebih kuat. Karya ini mengeksplorasi penerapan efektif model pembelajaran mendalam pada perangkat laser berdaya tinggi ICF, dan diharapkan dapat terus memperluas penerapan model pembelajaran mendalam di masa depan untuk menyediakan sarana analisis cerdas untuk perangkat laser besar.

Gambar 1 Hasil perhitungan metode wilayah udara (a) citra yang diperoleh secara CCD (b) Histogram sebaran tingkat keabuan medan dekat (c) Histogram sebaran tingkat keabuan medan dekat setelah dihilangkan latar belakang (d) Citra biner setelah dihilangkan latar belakang (e) Citra medan dekat yang diputar setelah transformasi Hough (f) Citra biner yang diputar (g) Citra medan dekat yang dipotong (h) 85% wilayah citra medan dekat

Gambar 2 Struktur model jaringan saraf konvolusional sisa perhatian spasial





