সম্প্রতি, হাই পাওয়ার লেজার ফিজিক্সের জয়েন্ট ল্যাবরেটরি, সাংহাই ইনস্টিটিউট অফ অপটিক্স অ্যান্ড প্রিসিশন মেশিনারি, চাইনিজ একাডেমি অফ সায়েন্সেস (এসআইপিএম, সিএএস) থেকে একটি গবেষণা দল SG-II আপগ্রেড ডিভাইসের অস্বাভাবিক কাছাকাছি-ক্ষেত্র আউটপুটগুলি সনাক্ত এবং বিশ্লেষণ করেছে। হাই-পাওয়ার লেজার ডিভাইসের একাধিক কাছাকাছি-ক্ষেত্র আউটপুট বিশ্লেষণের জন্য বাস্তব-সময় এবং বৈধতার প্রয়োজনীয়তা পূরণ করতে মনোযোগী প্রক্রিয়া সহ এয়ারস্পেস কম্পিউটেশনাল পদ্ধতি এবং গভীর শিক্ষার মডেল ব্যবহার করে। প্রকৌশলে অপটিক্স এবং লেজারগুলিতে "গণনা করা পদ্ধতি ব্যবহার করে উচ্চ-শক্তির লেজার সুবিধার কাছাকাছি-ক্ষেত্র বিশ্লেষণ এবং মনোযোগের প্রক্রিয়া সহ একটি অবশিষ্ট কনভোল্যুশনাল নিউরাল নেটওয়ার্ক" হিসাবে সম্পর্কিত ফলাফলগুলিকে সংক্ষিপ্ত করা হয়েছে।
ইনর্শিয়াল কনফিনমেন্ট ফিউশন (ICF) পদার্থবিদ্যা গবেষণা উচ্চ-পাওয়ার লেজার ড্রাইভারের আউটপুট কর্মক্ষমতা এবং নির্ভরযোগ্যতার উপর অত্যন্ত কঠোর প্রয়োজনীয়তা রাখে, যেখানে কাছাকাছি ক্ষেত্রের একটি অভিন্ন বন্টন সিস্টেম অপারেটিং ফ্লাক্সকে উন্নত করতে, পরবর্তী অপটিক্সকে রক্ষা করার জন্য সহায়ক। দীর্ঘমেয়াদী উচ্চ-তীব্রতা এবং সিস্টেমের নির্ভরযোগ্য অপারেশন জন্য প্রয়োজনীয়তা পূরণ. উচ্চ-ক্ষমতার লেজার ডিভাইসে একাধিক লেজার বিম থাকে এবং ম্যানুয়াল শনাক্তকরণ পদ্ধতিগুলি সময়োপযোগী এবং যথেষ্ট কার্যকর নয়; তাই, বিভিন্ন মুহুর্তে কাছাকাছি-ক্ষেত্রের অবস্থা বিশ্লেষণ করতে এবং সময়মত সতর্কতা প্রদানের জন্য কার্যকর পদ্ধতির প্রয়োজন। কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর শক্তিশালী বৈশিষ্ট্য নিষ্কাশন ক্ষমতা রয়েছে এবং জটিল এবং বৈচিত্র্যময় কাজের প্রয়োজন মেটাতে ঐতিহাসিক ডেটাতে প্রশিক্ষণ দেওয়া যেতে পারে।
গবেষকরা একটি এয়ারস্পেস কম্পিউটেশন পদ্ধতি এবং একটি অবশিষ্ট কনভোলিউশনাল নিউরাল নেটওয়ার্ক মডেল ব্যবহার করার প্রস্তাব করেছেন একটি অতিরিক্ত মনোযোগ প্রক্রিয়া সহ প্রাথমিকভাবে SG-II আপগ্রেড করা ইউনিটের অপারেশনাল স্থিতি মূল্যায়ন করার জন্য বিভিন্ন সময়ে প্রচুর সংখ্যক কাছাকাছি-ক্ষেত্রের চিত্রের উপর ভিত্তি করে। এয়ারস্পেস কম্পিউটেশন পদ্ধতিটি ব্যাচ প্রক্রিয়া সিসিডি- সনাক্ত করা কাছাকাছি-ক্ষেত্রের চিত্রগুলির জন্য ব্যবহৃত হয় এবং ডিভাইসের ক্রমাগত অপারেশন সময়ের সাথে কাছাকাছি-ক্ষেত্র বিতরণের অভিন্নতার পরিবর্তনগুলি মডুলেশন ব্যবস্থা এবং বৈসাদৃশ্য দ্বারা বিশ্লেষণ করা যেতে পারে। অ্যালগরিদম স্বয়ংক্রিয়ভাবে বৈধ কাছাকাছি-ক্ষেত্রের স্পট অঞ্চলগুলিকে বের করে, যা কনভোল্যুশনাল নিউরাল নেটওয়ার্ক মডেলকে প্রশিক্ষণের জন্য ব্যবহৃত চিত্রগুলির জন্য একটি প্রাক-প্রসেসিং পদক্ষেপও প্রদান করে। কনভোলিউশনাল নিউরাল নেটওয়ার্ক মডেলটি স্বয়ংক্রিয়ভাবে চিহ্নিত করতে এবং কাছাকাছি-ক্ষেত্রের চিত্র বৈশিষ্ট্যগুলিকে একাধিক লেবেল সহ শ্রেণীবদ্ধ করতে ব্যবহৃত হয় যাতে মৌলিক ফ্রিকোয়েন্সি (1ω) কাছাকাছি-ক্ষেত্রের অবস্থার অসঙ্গতি সনাক্ত করতে সক্ষম হয়। এই কাজে, গবেষকরা কাছাকাছি-ক্ষেত্রের বন্টন অভিন্নতা, অস্বাভাবিক আউটপুট সংকেত, এবং শক্তিশালী বিচ্ছুরণ লুপ সহ ছয়টি বৈশিষ্ট্য নির্বাচন করেছেন, এবং মডেলের শ্রেণিবিন্যাস নির্ভুলতা 93% এ পৌঁছেছে, এবং মডেলটি রিয়েল-টাইম বিচার করতে সক্ষম হয়েছিল। উপরের ছয়টি বৈশিষ্ট্যের সাথে সম্পর্কিত যেকোন সংখ্যক কাছাকাছি-ক্ষেত্রের চিত্রগুলিতে।
পরবর্তী গবেষণায়, পরীক্ষামূলক ডেটার পরিমাণ বাড়ার সাথে সাথে, গবেষকরা আরও শক্তিশালী মডেল তৈরি করার জন্য অস্বাভাবিক বৈশিষ্ট্যগুলির শ্রেণীবিভাগ লেবেলগুলি, বিশেষ করে অনুরূপ বৈশিষ্ট্যগুলিকে পরিমার্জন করবেন। এই কাজটি ICF হাই-পাওয়ার লেজার ডিভাইসে গভীর শিক্ষার মডেলগুলির কার্যকর প্রয়োগের অন্বেষণ করে, এবং বড় লেজার ডিভাইসগুলির জন্য বুদ্ধিমান বিশ্লেষণের উপায় প্রদান করার জন্য ভবিষ্যতে গভীর শিক্ষার মডেলগুলির প্রয়োগকে প্রসারিত করতে থাকবে বলে আশা করা হচ্ছে।
চিত্র 1 আকাশপথ গণনা পদ্ধতির ফলাফল (ক) সিসিডি অর্জিত চিত্র (খ) নিকট-ক্ষেত্র ধূসর স্তর বিতরণের হিস্টোগ্রাম (গ) পটভূমি অপসারণের পর নিকট-ক্ষেত্র ধূসর স্তরের বিতরণের হিস্টোগ্রাম (ঘ) পটভূমি অপসারণের পরে বাইনারি চিত্র (e) হাফ ট্রান্সফর্মের পরে ঘোরানো কাছাকাছি-ক্ষেত্রের চিত্র (f) ঘোরানো বাইনারি চিত্র (g) ক্রপ করা কাছাকাছি-ক্ষেত্রের চিত্র (h) কাছাকাছি-ক্ষেত্রের চিত্রের 85% অঞ্চল
চিত্র 2 স্থানিক মনোযোগের অবশিষ্টাংশ কনভোলিউশনাল নিউরাল নেটওয়ার্ক মডেলের কাঠামো
