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范薇研究员团队，针对高功率激光装置前端系统中的高对比度和不同形状包络时间波形的实时去噪难点问题，利用卷积神经网络展开了研究。相关成果以“Temporal waveform denoising using deep learning for injection laser systems of inertial confinement fusion high-power laser facilities”为题发表在High Power Laser Science and Engineering上。

　　惯性约束聚变（ICF）装置的前端系统需要提供高质量的激光脉冲并具备精确的时间-功率曲线控制能力，长脉冲整形闭环控制系统是其中的一个重要组成部分。由于幅频调制（FM-to-AM）效应和噪声等因素导致的带信号扰动的时间波形会影响闭环控制系统的效率和精度，尤其是高对比度和形状复杂的时间波形，在得到平滑时间波形的同时需要保留细节形状。神经网络具有强大非线性映射能力，物理增强的数据驱动模型能够自动将原始时间波形映射到最佳的特征空间从而得到平滑的时间波形，且较传统去噪算法具有更强的适应性。

　　研究人员构建了一种具有多尺度特征提取和注意力机制的U型卷积神经网络，生成了不同形状和参数的纯净波形，并利用解析模型在纯净波形中添加幅频调制信号和噪声，以此构建融合物理模型的仿真数据集。在仿真波形中，对于高对比度（>300：1，图2(a)）、包含显著噪声和FM-to-AM（>50%，图2(b)）以及复杂形状的时域波形（图2(b)），均方根误差和对比度的相对误差都保持在2%以下，而信噪比提高了50%以上。在实验中获得了对比度超过200：1（图2(c)）以及多种形状（图2(d)）的去噪波形。研究结果表明，在融合物理信息的仿真数据集上训练的模型具有良好的泛化能力，在实验中能够实现多形状和高对比度的波形的高精度的去噪和解调，并保留重要的波形特征。该方法能够有效抑制噪声和FM-to-AM对时间-功率曲线的影响，有望提高闭环控制系统的精度和效率。本项工作利用深度学习在一定程度上有效地捕捉模拟和实验之间的关系并校正，这有望为辅助ICF高功率激光装置的时域波形精密调控提供智能化的分析手段。

　　相关工作得到了中国科学院战略先导科技项目支持。

　　原文链接： https://doi.org/10.1017/hpl.2024.60