Ingenieurs van Duke University en het Institut de Physique de Nice in Frankrijk hebben een nieuwe methode ontwikkeld om objecten te identificeren met behulp van microgolven die de nauwkeurigheid verbetert en de bijbehorende rekentijd en stroomvereisten vermindert.

Het systeem kan een boost geven aan objectidentificatie en snelheid in velden waar beide van cruciaal belang zijn, zoals autonome voertuigen, veiligheidsonderzoek en bewegingsdetectie.

De nieuwe machine-learning-aanpak snijdt de tussenpersoon, de stap van het maken van een afbeelding voor analyse door een mens overslaan en in plaats daarvan de pure gegevens rechtstreeks analyseren. Het bepaalt ook samen de optimale hardware-instellingen die de belangrijkste gegevens onthullen en tegelijkertijd ontdekken wat de belangrijkste gegevens eigenlijk zijn. In een proof-of-principle studie, de opstelling identificeerde correct een reeks 3D-nummers met behulp van tientallen metingen in plaats van de honderden of duizenden die normaal nodig zijn.

De resultaten verschijnen op 6 december online in het tijdschrift Geavanceerde wetenschap en zijn een samenwerking tussen David R. Smith, de James B. Duke Distinguished Professor of Electrical and Computer Engineering aan Duke, en Roarke Horstmeyer, assistent-professor biomedische technologie aan Duke.

"Objectidentificatieschema's nemen meestal metingen en doen al deze moeite om een ​​afbeelding te maken waar mensen naar kunnen kijken en waarderen, "zei Horstmeyer. "Maar dat is inefficiënt omdat de computer helemaal niet naar een afbeelding hoeft te 'kijken'."

"Deze aanpak omzeilt die stap en stelt het programma in staat details vast te leggen die een beeldvormingsproces zou kunnen missen, terwijl het andere details van de scène negeert die het niet nodig heeft, " voegde Aaron Diebold toe, een onderzoeksassistent in het laboratorium van Smith. "We proberen het object in feite rechtstreeks vanuit de ogen van de machine te zien."

In de studie, de onderzoekers gebruiken een metamateriaalantenne die een microgolfgolffront in veel verschillende vormen kan boetseren. In dit geval, het metamateriaal is een 8x8 raster van vierkanten, die elk elektronische structuren bevatten waarmee ze dynamisch kunnen worden afgestemd om microgolven te blokkeren of uit te zenden.

Voor elke meting, de intelligente sensor selecteert een handvol vierkanten om microgolven door te laten. Hierdoor ontstaat een uniek microgolfpatroon, die terugkaatst op het te herkennen object en terugkeert naar een andere soortgelijke metamateriaalantenne. De detectieantenne gebruikt ook een patroon van actieve vierkanten om verdere opties toe te voegen om de gereflecteerde golven vorm te geven. De computer analyseert vervolgens het binnenkomende signaal en probeert het object te identificeren.

Door dit proces duizenden keren te herhalen voor verschillende variaties, het machine learning-algoritme ontdekt uiteindelijk welke stukjes informatie het belangrijkst zijn en welke instellingen op zowel de zend- als de ontvangende antenne ze het beste kunnen verzamelen.

"De zender en ontvanger werken samen en zijn samen ontworpen door het machine learning-algoritme, " zei Mohammadreza Imani, onderzoeksassistent in het laboratorium van Smith. "Ze zijn gezamenlijk ontworpen en geoptimaliseerd om de functies vast te leggen die relevant zijn voor de taak die voorhanden is."

"Als je je taak kent, en je weet wat voor soort scène je kunt verwachten, u hoeft misschien niet alle mogelijke informatie vast te leggen, " zei Philipp del Hougne, een postdoctoraal onderzoeker aan het Institut de Physique de Nice. "Dit co-design van meten en verwerken stelt ons in staat om gebruik te maken van alle a priori kennis die we hebben over de taak, scène- en meetbeperkingen om het hele detectieproces te optimaliseren."

Na het trainen, het machine learning-algoritme belandde op een kleine groep instellingen die het kaf van het koren konden scheiden, het verminderen van het aantal metingen, tijd en rekenkracht die het nodig heeft. In plaats van de honderden of zelfs duizenden metingen die typisch vereist zijn door traditionele microgolfbeeldvormingssystemen, het kon het object in minder dan 10 metingen zien.

Of dit niveau van verbetering zou opschalen naar meer gecompliceerde detectietoepassingen, is een open vraag. Maar de onderzoekers proberen hun nieuwe concept al te gebruiken om handbewegingen en gebarenherkenning te optimaliseren voor computerinterfaces van de volgende generatie. Er zijn tal van andere domeinen waar verbeteringen in microgolfdetectie nodig zijn, en het kleine formaat, lage kosten en gemakkelijke produceerbaarheid van dit soort metamaterialen maken ze veelbelovende kandidaten voor toekomstige apparaten.

"Magnetrons zijn ideaal voor toepassingen zoals detectie van verborgen bedreigingen, het identificeren van objecten op de weg voor zelfrijdende auto's of het bewaken van noodsituaties in assistentiewoningen, " zei del Hougne. "Als je nadenkt over al deze toepassingen, je moet de detectie zo snel mogelijk hebben, dus we hopen dat onze aanpak nuttig zal zijn om deze ideeën betrouwbare realiteiten te maken."