近期，中国科学院上海光学精密机械研究所高功率激光物理联合实验室研究团队针对高功率激光装置多路近场输出分析的实时性和有效性的要求，利用空域计算方法和带注意力机制的深度学习模型识别和分析了SG－Ⅱ升级装置的异常近场输出。相关成果以“Near－field analysis of the high－power laser facility using calculated methods and a residual convolutional neural network with attention mechanism”为题发表在Optics and Lasers in Engineering上。
惯性约束聚变（ICF）物理研究对高功率激光驱动器的输出性能和可靠性提出了非常严格的要求，其中，近场的均匀分布有利于提升系统运行通量、保护后续光学器件，并满足系统长期高强度可靠运行的要求。高功率激光装置包含多束激光，人工识别方法不够及时有效，因此，需要有效的方法来分析不同时刻的近场状态并及时提供预警。卷积神经网络（CNN）具有强大的特征提取能力，可在历史数据中进行训练，以满足复杂多样的任务需求。
研究人员提出了利用空域计算方法和带有附加注意机制的残差卷积神经网络模型，根据大量不同时间的近场图像初步评估 SG－II 升级装置的运行状况。空域计算方法用于批量处理 CCD 检测到的近场图像，可通过调制度和对比度等分析装置持续运行时间内近场分布均匀性的变化。该算法自动提取有效的近场光斑区域，这也为用于训练卷积神经网络模型的图像提供了一个预处理步骤。卷积神经网络模型用于自动识别和分类具有多个标签的近场图像特征，从而实现对基频（1ω） 近场状态异常的检测。在本项工作中，研究人员选取了包含近场分布均匀性、异常输出信号和强衍射环等六种特征进行分析，模型的分类准确率达到93％，模型能够对任意数量的近场图像做出关于上述六种特征的实时的判断。
在后续研究中，随着实验数据量的增加，研究人员将完善异常特征的分类标签，尤其是类似特征，以建立更稳健的模型。本项工作探索了深度学习模型在ICF高功率激光装置中的有效应用，未来有望将继续扩展深度学习模型的应用范围，为大型激光装置提供智能化的分析手段。
图1 空域计算方法结果 （a） CCD采集图像 （b） 近场灰度分布直方图 （c） 去除背景后的近场灰度分布直方图 （d） 去除背景后的二值图像 （e） 经过 Hough 变换后的旋转近场图像 （f） 旋转后的二值图像 （g） 裁剪后的近场图像 （h） 近场图像的 85％ 区域
图2 空间注意力残差卷积神经网络模型的结构
