通过数据增强提取惯性约束聚变图像的轮廓
等离子体物理
2022-11-10 v1
摘要
X射线照片是惯性约束聚变（ICF）实验的主要结果之一。实验数据稀缺、数据噪声高、缺乏真实数据以及数据分辨率低等问题限制了机器学习/深度学习在照片自动分析中的应用。在这项工作中，我们通过创建一个类似于实验照片的合成X射线照片数据集来克服这些阻碍机器学习应用的障碍。每张合成X射线照片都附有每个胶囊壳形状的对应轮廓，这使得神经网络能够在合成数据上进行训练以提取轮廓，并应用于实验图像。因此，我们训练了一个卷积神经网络U-Net实例，使用合成数据集来分割外壳胶囊的形状，并将此U-Net实例应用于在国家点火装置拍摄的一组X射线照片。我们展示了该网络提取了少量胶囊的外壳形状，作为深度学习用于ICF图像自动轮廓提取的初步演示。未来的工作可能包括从所有数据集中提取外壳、应用不同类型的神经网络以及提取内壳轮廓。
引用
@article{arxiv.2211.04597,
title = {Contour Extraction of Inertial Confinement Fusion Images By Data Augmentation},
author = {Michael Falato and Bradley Wolfe and Nga Nguyen and Xinhua Zhang and Zhehui Wang},
journal= {arXiv preprint arXiv:2211.04597},
year = {2022}
}
备注
6 pages, 9 figures