हाल ही में, हाई पावर लेजर फिजिक्स, शंघाई इंस्टीट्यूट ऑफ ऑप्टिक्स एंड प्रिसिजन मशीनरी, चाइनीज एकेडमी ऑफ साइंसेज (एसआईपीएम, सीएएस) की संयुक्त प्रयोगशाला की एक शोध टीम ने एसजी-II उन्नत डिवाइस के असामान्य निकट-क्षेत्र आउटपुट की पहचान और विश्लेषण किया है। उच्च-शक्ति लेजर डिवाइस के कई निकट-क्षेत्र आउटपुट के विश्लेषण के लिए वास्तविक समय और वैधता आवश्यकताओं को पूरा करने के लिए एयरस्पेस कम्प्यूटेशनल विधि और ध्यान तंत्र के साथ गहन शिक्षण मॉडल का उपयोग करके। संबंधित परिणामों को इंजीनियरिंग में ऑप्टिक्स और लेजर में "गणना की गई विधियों और ध्यान तंत्र के साथ एक अवशिष्ट दृढ़ तंत्रिका नेटवर्क का उपयोग करके उच्च-शक्ति लेजर सुविधा के निकट-क्षेत्र विश्लेषण" के रूप में संक्षेपित किया गया है।
जड़त्वीय कारावास संलयन (आईसीएफ) भौतिकी अनुसंधान उच्च-शक्ति लेजर ड्राइवरों के आउटपुट प्रदर्शन और विश्वसनीयता पर बहुत कठोर आवश्यकताएं रखता है, जिसमें निकट-क्षेत्र का एक समान वितरण सिस्टम ऑपरेटिंग फ्लक्स को बढ़ाने, बाद के प्रकाशिकी की सुरक्षा के लिए अनुकूल है, और सिस्टम के दीर्घकालिक उच्च तीव्रता और विश्वसनीय संचालन के लिए आवश्यकताओं को पूरा करना। उच्च-शक्ति वाले लेजर उपकरणों में कई लेजर बीम होते हैं, और मैन्युअल पहचान विधियां समय पर और पर्याप्त प्रभावी नहीं होती हैं; इसलिए, विभिन्न क्षणों में निकट-क्षेत्र की स्थिति का विश्लेषण करने और समय पर चेतावनी प्रदान करने के लिए प्रभावी तरीकों की आवश्यकता होती है। कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) में शक्तिशाली सुविधा निष्कर्षण क्षमताएं हैं और जटिल और विविध कार्यों की जरूरतों को पूरा करने के लिए ऐतिहासिक डेटा पर प्रशिक्षित किया जा सकता है।
शोधकर्ताओं ने अलग-अलग समय पर बड़ी संख्या में निकट-क्षेत्र छवियों के आधार पर एसजी-द्वितीय उन्नत इकाई की परिचालन स्थिति का आकलन करने के लिए एक अतिरिक्त ध्यान तंत्र के साथ एक हवाई क्षेत्र गणना विधि और एक अवशिष्ट दृढ़ तंत्रिका नेटवर्क मॉडल का उपयोग करने का प्रस्ताव दिया है। एयरस्पेस गणना विधि का उपयोग सीसीडी-पता लगाए गए निकट-क्षेत्र छवियों को बैच करने के लिए किया जाता है, और डिवाइस के निरंतर संचालन समय पर निकट-क्षेत्र वितरण की एकरूपता में परिवर्तन का मॉड्यूलेशन शासन और कंट्रास्ट द्वारा विश्लेषण किया जा सकता है। एल्गोरिदम स्वचालित रूप से मान्य निकट-क्षेत्र स्पॉट क्षेत्रों को निकालता है, जो कन्वेन्शनल न्यूरल नेटवर्क मॉडल को प्रशिक्षित करने के लिए उपयोग की जाने वाली छवियों के लिए एक प्रीप्रोसेसिंग चरण भी प्रदान करता है। कन्वेन्शनल न्यूरल नेटवर्क मॉडल का उपयोग निकट-क्षेत्र छवि सुविधाओं को स्वचालित रूप से पहचानने और वर्गीकृत करने के लिए कई लेबलों के साथ किया जाता है ताकि मौलिक आवृत्ति (1ω) निकट-क्षेत्र राज्य विसंगतियों का पता लगाया जा सके। इस कार्य में, शोधकर्ताओं ने विश्लेषण के लिए निकट-क्षेत्र वितरण एकरूपता, असामान्य आउटपुट सिग्नल और मजबूत विवर्तन लूप सहित छह विशेषताओं का चयन किया, और मॉडल की वर्गीकरण सटीकता 93% तक पहुंच गई, और मॉडल वास्तविक समय में निर्णय लेने में सक्षम था। उपरोक्त छह विशेषताओं के संबंध में किसी भी संख्या में निकट-क्षेत्र छवियों पर।
बाद के अध्ययनों में, जैसे-जैसे प्रयोगात्मक डेटा की मात्रा बढ़ती है, शोधकर्ता अधिक मजबूत मॉडल बनाने के लिए असामान्य विशेषताओं, विशेष रूप से समान सुविधाओं के वर्गीकरण लेबल को परिष्कृत करेंगे। यह कार्य ICF उच्च-शक्ति लेजर उपकरणों में गहन शिक्षण मॉडल के प्रभावी अनुप्रयोग की खोज करता है, और उम्मीद है कि भविष्य में बड़े लेजर उपकरणों के लिए बुद्धिमान विश्लेषण साधन प्रदान करने के लिए गहन शिक्षण मॉडल के अनुप्रयोग का विस्तार जारी रहेगा।
चित्र 1 हवाई क्षेत्र गणना विधि के परिणाम (ए) सीसीडी प्राप्त छवि (बी) निकट-क्षेत्र ग्रे स्तर वितरण का हिस्टोग्राम (सी) पृष्ठभूमि को हटाने के बाद निकट-क्षेत्र ग्रे स्तर वितरण का हिस्टोग्राम (डी) पृष्ठभूमि को हटाने के बाद बाइनरी छवि (ई) हफ़ ट्रांसफ़ॉर्म के बाद घुमाई गई निकट-क्षेत्र छवि (एफ) घुमाई गई बाइनरी छवि (जी) निकट-क्षेत्र छवि को क्रॉप किया गया (एच) निकट-क्षेत्र छवि का 85% क्षेत्र
चित्र 2 स्थानिक ध्यान अवशिष्ट दृढ़ तंत्रिका नेटवर्क मॉडल की संरचना
