اخیراً، یک تیم تحقیقاتی از آزمایشگاه مشترک فیزیک لیزر پرقدرت، موسسه اپتیک و ماشینهای دقیق شانگهای، آکادمی علوم چین (SIPM، CAS)، خروجیهای میدان نزدیک غیرعادی دستگاه ارتقا یافته SG-II را شناسایی و تجزیه و تحلیل کردهاند. با استفاده از روش محاسباتی فضای هوایی و مدل یادگیری عمیق با مکانیسم توجه برای برآوردن الزامات زمان واقعی و اعتبار برای تجزیه و تحلیل خروجی های میدان نزدیک متعدد دستگاه لیزر پرقدرت. نتایج مربوط به عنوان "تحلیل میدان نزدیک تسهیلات لیزری با توان بالا با استفاده از روش های محاسبه شده و یک شبکه عصبی کانولوشنال باقیمانده با مکانیسم توجه" در اپتیک و لیزر در مهندسی خلاصه می شود.
تحقیقات فیزیک همجوشی محصور اینرسی (ICF) الزامات بسیار سختگیرانهای را بر عملکرد خروجی و قابلیت اطمینان درایورهای لیزر پرقدرت، که در آن توزیع یکنواخت میدان نزدیک برای افزایش شار عملیاتی سیستم، محافظت از اپتیکهای بعدی، و برآورده کردن الزامات برای عملکرد طولانی مدت با شدت بالا و قابل اعتماد سیستم. دستگاه های لیزر پرقدرت حاوی چندین پرتو لیزر هستند و روش های شناسایی دستی به اندازه کافی به موقع و مؤثر نیستند. بنابراین، روشهای مؤثری برای تحلیل وضعیت میدان نزدیک در لحظات مختلف و ارائه هشدارهای به موقع مورد نیاز است. شبکههای عصبی کانولوشنال (CNN) دارای قابلیتهای استخراج ویژگی قدرتمندی هستند و میتوان آنها را بر روی دادههای تاریخی برای رفع نیازهای وظایف پیچیده و متنوع آموزش داد.
محققان پیشنهاد میکنند از یک روش محاسباتی فضای هوایی و یک مدل شبکه عصبی کانولوشنال باقیمانده با مکانیزم توجه اضافی برای ارزیابی اولیه وضعیت عملیاتی واحد ارتقا یافته SG-II بر اساس تعداد زیادی از تصاویر میدان نزدیک در زمانهای مختلف استفاده کنند. روش محاسبات فضای هوایی برای پردازش دسته ای تصاویر میدان نزدیک شناسایی شده توسط CCD استفاده می شود و تغییرات در یکنواختی توزیع میدان نزدیک در طول زمان کار مداوم دستگاه را می توان با رژیم مدولاسیون و کنتراست تجزیه و تحلیل کرد. این الگوریتم به طور خودکار مناطق نقطه میدان نزدیک معتبر را استخراج می کند، که همچنین یک مرحله پیش پردازش برای تصاویر مورد استفاده برای آموزش مدل شبکه عصبی کانولوشن فراهم می کند. مدل شبکه عصبی کانولوشنال برای شناسایی و طبقهبندی خودکار ویژگیهای تصویر میدان نزدیک با برچسبهای متعدد استفاده میشود تا امکان تشخیص ناهنجاریهای حالت میدان نزدیک فرکانس بنیادی (1ω) فراهم شود. در این کار، محققان شش ویژگی شامل یکنواختی توزیع میدان نزدیک، سیگنالهای خروجی غیرعادی و حلقههای پراش قوی را برای تجزیه و تحلیل انتخاب کردند و دقت طبقهبندی مدل به 93 درصد رسید و مدل قادر به قضاوتهای بلادرنگ بود. بر روی هر تعداد تصویر میدان نزدیک با توجه به شش ویژگی فوق.
در مطالعات بعدی، با افزایش مقدار دادههای تجربی، محققان برچسبهای طبقهبندی ویژگیهای غیرعادی، بهویژه ویژگیهای مشابه، را به منظور ساخت یک مدل قویتر اصلاح خواهند کرد. این کار کاربرد موثر مدلهای یادگیری عمیق را در دستگاههای لیزر پرقدرت ICF بررسی میکند و انتظار میرود که در آینده به گسترش کاربرد مدلهای یادگیری عمیق ادامه دهد تا ابزار تحلیل هوشمند برای دستگاههای لیزری بزرگ ارائه شود.

شکل 1 نتایج روش محاسبه فضای هوایی (الف) تصویر بدستآمده از CCD (ب) هیستوگرام توزیع سطح خاکستری میدان نزدیک (ج) هیستوگرام توزیع سطح خاکستری میدان نزدیک پس از حذف پسزمینه (د) تصویر باینری پس از حذف پسزمینه (ه) چرخش تصویر میدان نزدیک پس از تبدیل Hough (f) تصویر باینری چرخانده شده (g) تصویر میدان نزدیک بریده شده (h) ناحیه 85٪ از تصویر میدان نزدیک

شکل 2 ساختار مدل شبکه عصبی کانولوشنال باقیمانده توجه فضایی





