Maskinindlæring former mikrobølger til en computers øjne

Ingeniører fra Duke University og Institut de Physique de Nice i Frankrig har udviklet en ny metode til at identificere objekter ved hjælp af mikrobølger, der forbedrer nøjagtigheden og samtidig reducerer den tilhørende computertid og strømkrav.

Systemet kan give et boost til objektidentifikation og hastighed i felter, hvor begge er kritiske, såsom selvkørende køretøjer, sikkerhedsscreening og bevægelsesregistrering.

Den nye metode til maskinlæring skærer mellemmanden ud, springer trinnet med at skabe et billede til analyse af et menneske over og i stedet analyserer de rene data direkte. Den bestemmer også i fællesskab optimale hardwareindstillinger, der afslører de vigtigste data, samtidig med at den opdager, hvad de vigtigste data faktisk er. I et principbeskyttet studie, opsætningen identificerede korrekt et sæt 3D-numre ved hjælp af snesevis af målinger i stedet for de hundreder eller tusinder, der typisk kræves.

Resultaterne vises online den 6. december i tidsskriftet Avanceret videnskab og er et samarbejde mellem David R. Smith, James B. Duke Distinguished Professor of Electrical and Computer Engineering ved Duke, og Roarke Horstmeyer, assisterende professor i biomedicinsk teknik ved Duke.

"Objektidentifikationsskemaer tager typisk mål og gør alt dette for at lave et billede, som folk kan se på og værdsætte, "sagde Horstmeyer." Men det er ineffektivt, fordi computeren slet ikke behøver at 'se' på et billede. "

"Denne tilgang omgår dette trin og giver programmet mulighed for at fange detaljer, som en billeddannende proces kan gå glip af, mens den ignorerer andre detaljer i scenen, som det ikke har brug for, " tilføjede Aaron Diebold, en forskningsassistent i Smiths laboratorium. "Vi forsøger dybest set at se objektet direkte fra maskinens øjne."

I undersøgelsen, forskerne bruger en metamaterialeantenne, der kan forme en mikrobølge -front i mange forskellige former. I dette tilfælde, metamaterialet er et 8x8 gitter af firkanter, som hver indeholder elektroniske strukturer, der gør det muligt at indstille den dynamisk til enten at blokere eller transmittere mikrobølger.

For hver måling, den intelligente sensor udvælger en håndfuld firkanter til at lade mikrobølger passere igennem. Dette skaber et unikt mikrobølgemønster, som hopper af objektet for at blive genkendt og vender tilbage til en anden lignende metamateriale-antenne. Følerantennen bruger også et mønster af aktive firkanter til at tilføje yderligere muligheder for at forme de reflekterede bølger. Computeren analyserer derefter det indgående signal og forsøger at identificere objektet.

Ved at gentage denne proces tusindvis af gange for forskellige variationer, maskinlæringsalgoritmen opdager til sidst, hvilke informationer der er de vigtigste, samt hvilke indstillinger på både sende- og modtageantennerne der er bedst til at samle dem.

"Senderen og modtageren fungerer sammen og er designet sammen af ​​maskinlæringsalgoritmen, " sagde Mohammadreza Imani, forskningsassistent i Smiths laboratorium. "De er i fællesskab designet og optimeret til at fange de funktioner, der er relevante for den aktuelle opgave."

"Hvis du kender din opgave, og du ved, hvilken slags scene du kan forvente, du behøver muligvis ikke at fange alle mulige oplysninger, " sagde Philipp del Houghne, en postdoc ved Institut de Physique de Nice. "Dette co-design af måling og behandling giver os mulighed for at gøre brug af al den a priori viden, vi har om opgaven, scene- og målebegrænsninger for at optimere hele registreringsprocessen."

Efter træning, maskinlæringsalgoritmen landede på en lille gruppe af indstillinger, der kunne hjælpe den med at adskille dataens hvede fra agnerne, skære ned på antallet af målinger, tid og regnekraft, den har brug for. I stedet for de hundredvis eller endda tusinder af målinger, der typisk kræves af traditionelle mikrobølgebilledbehandlingssystemer, den kunne se objektet i mindre end 10 målinger.

Hvorvidt dette forbedringsniveau vil skalere op til mere komplicerede registreringsapplikationer er et åbent spørgsmål. Men forskerne forsøger allerede at bruge deres nye koncept til at optimere håndbevægelse og gestusgenkendelse til næste generations computerinterfaces. Der er masser af andre domæner, hvor der er behov for forbedringer i mikrobølgeregistrering, og den lille størrelse, lave omkostninger og nem fremstilling af disse typer metamaterialer gør dem til lovende kandidater til fremtidige enheder.

"Mikrobølger er ideelle til applikationer som registrering af skjult trussel, identifikation af genstande på vejen til førerløse biler eller overvågning af nødsituationer i plejehjem, "sagde del Hougne." Når du tænker på alle disse applikationer, du har brug for, at sansningen er så hurtig som muligt, så vi håber, at vores tilgang vil vise sig nyttig til at gøre disse ideer pålidelige til virkelighed."