超強激光科學(xué)卓越創(chuàng)新簡報

(第四百九十二期)

2024年3月21日

上海光機所在基于卷積神經(jīng)網(wǎng)絡(luò)的高功率激光裝置近場狀態(tài)分析方面取得進展

近期，中國科學(xué)院上海光學(xué)精密機械研究所高功率激光物理聯(lián)合實驗室研究團隊針對高功率激光裝置多路近場輸出分析的實時性和有效性的要求，利用空域計算方法和帶注意力機制的深度學(xué)習(xí)模型識別和分析了SG-Ⅱ升級裝置的異常近場輸出。相關(guān)成果以“Near-field analysis of the high-power laser facility using calculated methods and a residual convolutional neural network with attention mechanism”為題發(fā)表在Optics and Lasers in Engineering上。

慣性約束聚變（ICF）物理研究對高功率激光驅(qū)動器的輸出性能和可靠性提出了非常嚴(yán)格的要求，其中，近場的均勻分布有利于提升系統(tǒng)運行通量、保護后續(xù)光學(xué)器件，并滿足系統(tǒng)長期高強度可靠運行的要求。高功率激光裝置包含多束激光，人工識別方法不夠及時有效，因此，需要有效的方法來分析不同時刻的近場狀態(tài)并及時提供預(yù)警。卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有強大的特征提取能力，可在歷史數(shù)據(jù)中進行訓(xùn)練，以滿足復(fù)雜多樣的任務(wù)需求。

研究人員提出了利用空域計算方法和帶有附加注意機制的殘差卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)大量不同時間的近場圖像初步評估 SG-II 升級裝置的運行狀況?？沼蛴嬎惴椒ㄓ糜谂刻幚?CCD 檢測到的近場圖像，可通過調(diào)制度和對比度等分析裝置持續(xù)運行時間內(nèi)近場分布均勻性的變化。該算法自動提取有效的近場光斑區(qū)域，這也為用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型的圖像提供了一個預(yù)處理步驟。卷積神經(jīng)網(wǎng)絡(luò)模型用于自動識別和分類具有多個標(biāo)簽的近場圖像特征，從而實現(xiàn)對基頻（1ω） 近場狀態(tài)異常的檢測。在本項工作中，研究人員選取了包含近場分布均勻性、異常輸出信號和強衍射環(huán)等六種特征進行分析，模型的分類準(zhǔn)確率達到93%，模型能夠?qū)θ我鈹?shù)量的近場圖像做出關(guān)于上述六種特征的實時的判斷。

在后續(xù)研究中，隨著實驗數(shù)據(jù)量的增加，研究人員將完善異常特征的分類標(biāo)簽，尤其是類似特征，以建立更穩(wěn)健的模型。本項工作探索了深度學(xué)習(xí)模型在ICF高功率激光裝置中的有效應(yīng)用，未來有望將繼續(xù)擴展深度學(xué)習(xí)模型的應(yīng)用范圍，為大型激光裝置提供智能化的分析手段。

原文鏈接

圖1 空域計算方法結(jié)果 (a) CCD采集圖像 (b) 近場灰度分布直方圖 (c) 去除背景后的近場灰度分布直方圖 (d) 去除背景后的二值圖像 (e) 經(jīng)過 Hough 變換后的旋轉(zhuǎn)近場圖像 (f) 旋轉(zhuǎn)后的二值圖像 (g) 裁剪后的近場圖像 (h) 近場圖像的 85% 區(qū)域

圖2 空間注意力殘差卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)