机器学习为计算机的眼睛塑造微波

 
杜克大学和法国尼斯物理研究所的工程师们开发了一种使用微波识别物体的新方法，该方法可以提高准确性，同时减少相关的计算时间和功耗要求。
该系统可以在诸如自动驾驶汽车，安全检查和运动感应等至关重要的领域中提高物体识别和速度。
新的机器学习方法消除了中间人的麻烦，跳过了创建图像以供人分析的步骤，而是直接分析了纯数据。它还可以共同确定最佳硬件设置，以显示最重要的数据，同时发现最重要的数据实际上是什么。在原理验证研究中，安装程序使用数十个测量值而不是通常需要的数百或数千个值来正确识别出一组3-D数字。
研究结果于12月6日在线发表在《先进科学》杂志上，该研究结果由David R. Smith，杜克大学的D.电气和计算机工程杰出教授，杜克大学的生物医学工程助理教授Roarke Horstmeyer共同完成。
霍斯特迈尔说：“物体识别方案通常会进行测量，并去解决所有这些麻烦，以使人们能看到并欣赏的图像。” “但这效率低下，因为计算机根本不需要’看’图像。”
Smith实验室的研究助理Aaron Diebold补充说：“这种方法规避了这一步骤，并允许程序捕获图像形成过程可能遗漏的细节，而忽略了它不需要的场景其他细节。” “我们基本上是试图直接从机器的眼睛看物体。”
在这项研究中，研究人员使用一种超材料天线，可以将微波波阵面雕刻成许多不同的形状。在这种情况下，超材料是一个8×8的正方形网格，每个网格都包含允许其动态调谐以阻止或传输微波的电子结构。
机器学习为计算机的眼睛塑造微波

 
机器学习算法开发的一种波型(右)及其强度级别(左)的示例，可以最佳地阐明所识别物体的最重要特征。图片来源：杜克大学Mohammadreza Imani
对于每次测量，智能传感器都会选择几个正方形以使微波通过。这将创建一个独特的微波方向图，该方向图从待识别的物体反弹并返回到另一个类似的超材料天线。感应天线还使用活动正方形的图案来添加其他选项以成形反射波。然后，计算机分析输入信号并尝试识别物体。
通过针对不同的变化重复此过程数千次，机器学习算法最终发现哪些信息最重要，以及发送和接收天线上的哪些设置最适合收集它们。
史密斯实验室的研究助理Mohammadreza Imani说：“发送器和接收器共同起作用，并通过机器学习算法共同设计。” “它们经过共同设计和优化，可以捕获与当前任务相关的功能。”
尼斯物理研究所的博士后Philipp del Hougne说：“如果您知道自己的任务，并且知道将要发生什么样的情况，则可能不需要捕获所有可能的信息。” “这种测量和处理的协同设计使我们能够利用我们对任务，场景和测量约束的所有先验知识来优化整个传感过程。”
经过训练后，机器学习算法落入了很小的一组设置中，这可以帮助它从谷壳中分离出数据的麦穗，从而减少所需的测量次数，时间和计算能力。它可以看到少于10个测量值的物体，而不是传统微波成像系统通常需要的数百甚至数千个测量值。
这种提高水平是否将扩大到更复杂的传感应用是一个悬而未决的问题。但是研究人员已经在尝试使用他们的新概念来优化下一代计算机界面的手部动作和手势识别。还有许多其他领域需要改进微波传感，并且这些类型的超材料的小尺寸，低成本和易制造性使其成为未来设备的有希望的候选者。
del Hougne说：“微波非常适合用于隐蔽威胁检测，识别无人驾驶汽车的道路上物体或监视辅助生活设施中的紧急情况等应用。” “当您考虑所有这些应用时，您需要尽可能快地进行感应，因此我们希望我们的方法对证明这些想法可靠的现实有用。”