近期,中國科學院上海光學精密機械研究所高功率激光物理聯(lián)合實驗室范薇研究員團隊,針對高功率激光裝置前端系統(tǒng)中的高對比度和不同形狀包絡時間波形的實時去噪難點問題,利用卷積神經(jīng)網(wǎng)絡展開了研究。相關成果以“Temporal waveform denoising using deep learning for injection laser systems of inertial confinement fusion high-power laser facilities”為題發(fā)表在High Power Laser Science and Engineering上。
慣性約束聚變(ICF)裝置的前端系統(tǒng)需要提供高質(zhì)量的激光脈沖并具備精確的時間-功率曲線控制能力,長脈沖整形閉環(huán)控制系統(tǒng)是其中的一個重要組成部分。由于幅頻調(diào)制(FM-to-AM)效應和噪聲等因素導致的帶信號擾動的時間波形會影響閉環(huán)控制系統(tǒng)的效率和精度,尤其是高對比度和形狀復雜的時間波形,在得到平滑時間波形的同時需要保留細節(jié)形狀。神經(jīng)網(wǎng)絡具有強大非線性映射能力,物理增強的數(shù)據(jù)驅動模型能夠自動將原始時間波形映射到最佳的特征空間從而得到平滑的時間波形,且較傳統(tǒng)去噪算法具有更強的適應性。
研究人員構建了一種具有多尺度特征提取和注意力機制的U型卷積神經(jīng)網(wǎng)絡,生成了不同形狀和參數(shù)的純凈波形,并利用解析模型在純凈波形中添加幅頻調(diào)制信號和噪聲,以此構建融合物理模型的仿真數(shù)據(jù)集。在仿真波形中,對于高對比度(>300:1,圖2(a))、包含顯著噪聲和FM-to-AM(>50%,圖2(b))以及復雜形狀的時域波形(圖2(b)),均方根誤差和對比度的相對誤差都保持在2%以下,而信噪比提高了50%以上。在實驗中獲得了對比度超過200:1(圖2(c))以及多種形狀(圖2(d))的去噪波形。研究結果表明,在融合物理信息的仿真數(shù)據(jù)集上訓練的模型具有良好的泛化能力,在實驗中能夠實現(xiàn)多形狀和高對比度的波形的高精度的去噪和解調(diào),并保留重要的波形特征。該方法能夠有效抑制噪聲和FM-to-AM對時間-功率曲線的影響,有望提高閉環(huán)控制系統(tǒng)的精度和效率。本項工作利用深度學習在一定程度上有效地捕捉模擬和實驗之間的關系并校正,這有望為輔助ICF高功率激光裝置的時域波形精密調(diào)控提供智能化的分析手段。
相關工作得到了中國科學院戰(zhàn)略先導科技項目支持。
原文鏈接:?https://doi.org/10.1017/hpl.2024.60