최근 중국과학원 상하이광학정밀기계연구소(SIPM, CAS) 고출력 레이저 물리학 합동연구소 연구팀은 업그레이드된 SG-II 장치의 변칙적인 근거리 출력을 식별하고 분석했습니다. 고출력 레이저 장치의 다중 근거리 출력 분석을 위한 실시간 및 유효성 요구 사항을 충족하기 위해 공역 계산 방법과 주의 메커니즘을 갖춘 딥 러닝 모델을 사용합니다. 관련 결과는 Optics and Lasers in Engineering 논문에 "계산된 방법과 주의 메커니즘을 갖춘 잔류 합성곱 신경망을 이용한 고출력 레이저 설비의 근거리장 분석"으로 요약되어 있습니다.
관성밀폐융합(ICF) 물리학 연구에서는 고출력 레이저 드라이버의 출력 성능과 신뢰성에 매우 엄격한 요구 사항을 적용합니다. 여기서 근거리장의 균일한 분포는 시스템 작동 자속을 향상시키고 후속 광학 장치를 보호하는 데 도움이 됩니다. 시스템의 장기간 고강도 및 안정적인 작동에 대한 요구 사항을 충족합니다. 고출력 레이저 장치에는 여러 개의 레이저 빔이 포함되어 있으며 수동 식별 방법은 시기적절하고 효과적이지 않습니다. 따라서 다양한 순간에 근거리 상태를 분석하고 적시에 경고를 제공하려면 효과적인 방법이 필요합니다. CNN(컨벌루션 신경망)은 강력한 특징 추출 기능을 갖추고 있으며 과거 데이터를 학습하여 복잡하고 다양한 작업의 요구 사항을 충족할 수 있습니다.
연구원들은 서로 다른 시간에 다수의 근거리 이미지를 기반으로 SG-II 업그레이드 장치의 작동 상태를 초기에 평가하기 위해 추가 주의 메커니즘을 갖춘 공역 계산 방법과 잔여 컨벌루션 신경망 모델을 활용할 것을 제안합니다. 공역 계산 방법은 CCD로 감지된 근거리 영상을 일괄 처리하는 데 사용되며, 장치의 연속 작동 시간에 따른 근거리 분포의 균일성 변화를 변조 방식 및 대비를 통해 분석할 수 있습니다. 이 알고리즘은 유효한 근거리 스폿 영역을 자동으로 추출하며, 이는 컨벌루션 신경망 모델을 훈련하는 데 사용되는 이미지에 대한 전처리 단계도 제공합니다. 컨벌루션 신경망 모델은 기본 주파수(1Ω) 근거리 상태 이상을 감지할 수 있도록 여러 레이블을 사용하여 근거리 이미지 특징을 자동으로 식별하고 분류하는 데 사용됩니다. 이번 연구에서 연구진은 근거리 분포 균일성, 이상 출력 신호, 강한 회절 루프 등 6가지 특징을 선택해 분석했으며, 모델의 분류 정확도는 93%에 달해 실시간 판단이 가능했다. 위의 6가지 특징과 관련하여 다수의 근거리 이미지에 대해 알아봅니다.
후속 연구에서는 실험 데이터의 양이 증가함에 따라 연구자들은 보다 강력한 모델을 구축하기 위해 변칙적 특징, 특히 유사한 특징의 분류 라벨을 개선할 것입니다. 본 연구에서는 ICF 고출력 레이저 소자에 딥러닝 모델을 효과적으로 적용하는 방안을 모색하고 있으며, 향후에도 딥러닝 모델의 적용을 지속적으로 확대해 대형 레이저 소자에 대한 지능형 분석 수단을 제공할 것으로 기대된다.
그림 1 공역 계산 방법의 결과 (a) CCD 획득 영상 (b) 근거리 계조 분포 히스토그램 (c) 배경 제거 후 근거리 계조 분포 히스토그램 (d) 배경 제거 후 이진 영상 (e) 허프 변환 후 회전된 근거리 이미지 (f) 회전된 이진 이미지 (g) 잘린 근거리 이미지 (h) 근거리 이미지의 85% 영역
그림 2 공간 주의 잔차 합성곱 신경망 모델의 구조
