Neseniai Kinijos mokslų akademijos Šanchajaus Optikos ir tiksliųjų mašinų instituto (SIPM, CAS) Jungtinės didelės galios lazerinės fizikos laboratorijos tyrimų grupė nustatė ir išanalizavo anomalinius SG-II atnaujinto įrenginio artimojo lauko išėjimus. naudojant oro erdvės skaičiavimo metodą ir giluminio mokymosi modelį su dėmesio mechanizmu, kad atitiktų realaus laiko ir galiojimo reikalavimus, keliamus daugelio didelės galios lazerinio įrenginio artimojo lauko išėjimų analizei. Susiję rezultatai apibendrinti kaip "Artimojo lauko didelės galios lazerio įrenginio analizė, naudojant apskaičiuotus metodus ir liekamąjį konvoliucinį neuronų tinklą su dėmesio mechanizmu" Optika ir lazeriai inžinerijoje.
Inercinės izoliacijos sintezės (ICF) fizikos tyrimai kelia labai griežtus reikalavimus didelės galios lazerinių tvarkyklių išvesties našumui ir patikimumui, kai tolygus artimojo lauko pasiskirstymas padeda pagerinti sistemos veikimo srautą, apsaugoti tolesnę optiką ir atitinkantys ilgalaikio didelio intensyvumo ir patikimo sistemos veikimo reikalavimus. Didelės galios lazeriniuose įrenginiuose yra keli lazerio spinduliai, o rankinio identifikavimo metodai nėra savalaikiai ir pakankamai veiksmingi; todėl reikalingi veiksmingi metodai artimojo lauko būsenai įvairiais momentais analizuoti ir laiku pateikti įspėjimus. Konvoliuciniai neuroniniai tinklai (CNN) turi galingas funkcijų išgavimo galimybes ir gali būti mokomi naudojant istorinius duomenis, kad atitiktų sudėtingų ir įvairių užduočių poreikius.
Tyrėjai siūlo panaudoti oro erdvės skaičiavimo metodą ir liekamojo konvoliucinio neuroninio tinklo modelį su papildomu dėmesio mechanizmu, kad iš pradžių būtų galima įvertinti SG-II atnaujinto įrenginio veikimo būseną, remiantis daugybe artimojo lauko vaizdų skirtingu laiku. Oro erdvės skaičiavimo metodas naudojamas CCD aptiktų artimojo lauko vaizdų paketiniam apdorojimui, o artimojo lauko pasiskirstymo vienodumo pokyčius per įrenginio nepertraukiamo veikimo laiką galima analizuoti pagal moduliacijos režimą ir kontrastą. Algoritmas automatiškai išskiria galiojančius artimojo lauko taškinius regionus, o tai taip pat suteikia išankstinį vaizdų, naudojamų konvoliucinio neuroninio tinklo modeliui, apdorojimo veiksmą. Konvoliucinis neuroninio tinklo modelis naudojamas automatiškai identifikuoti ir klasifikuoti artimojo lauko vaizdo ypatybes su keliomis etiketėmis, kad būtų galima aptikti pagrindinio dažnio (1ω) artimojo lauko būsenos anomalijas. Šiame darbe mokslininkai atrinko šešias savybes, įskaitant artimojo lauko pasiskirstymo vienodumą, anomalius išvesties signalus ir stiprias difrakcijos kilpas, kurias reikia analizuoti, o modelio klasifikavimo tikslumas pasiekė 93%, o modelis galėjo priimti sprendimus realiuoju laiku. bet kokiame artimojo lauko vaizdų skaičiuje, atsižvelgiant į pirmiau minėtas šešias savybes.
Vėlesniuose tyrimuose, didėjant eksperimentinių duomenų kiekiui, mokslininkai patobulins anomalių savybių, ypač panašių savybių, klasifikavimo etiketes, kad sukurtų tvirtesnį modelį. Šiame darbe nagrinėjamas efektyvus giluminio mokymosi modelių taikymas ICF didelės galios lazeriniuose įrenginiuose ir ateityje tikimasi toliau plėsti giluminio mokymosi modelių taikymą, kad būtų sukurtos intelektualios analizės priemonės dideliems lazeriniams įrenginiams.
1 pav. Oro erdvės skaičiavimo metodo rezultatai (a) CCD gautas vaizdas (b) Artimo lauko pilkumo lygio pasiskirstymo histograma (c) Artimo lauko pilkumo lygio pasiskirstymo histograma pašalinus foną (d) Dvejetainis vaizdas pašalinus foną (e) Pasuktas artimojo lauko vaizdas po Hough transformacijos (f) Pasuktas dvejetainis vaizdas (g) Apkarpytas artimojo lauko vaizdas (h) 85 % artimo lauko vaizdo sritis
2 pav. Erdvinio dėmesio likutinio konvoliucinio neuroninio tinklo modelio struktūra
