Fysikbaseret modellering til datadrevet læring? Paradigmeskiftet i optisk metrologi

Dyb læring giver i øjeblikket stigende forskningsinteresser og fører til et paradigmeskifte fra fysikbaseret modellering til datadrevet læring inden for optisk metrologi. Forskere i Kina og Singapore udgav en oversigtsartikel med titlen "Deep learning in optical metrology:a review" i Light:Science &Applications . De giver en omfattende gennemgang af deep learning i forskellige optiske metrologiopgaver, og afslører, at problemspecifikke deep-learning-metoder i de fleste tilfælde udkonkurrerer deres fysiske modelbaserede forgængere betydeligt.

Optisk metrologi er videnskaben og teknologien til at foretage målinger med brug af lys som standarder eller informationsbærere. Selvom optisk metrologi er et hastigt voksende område, er det ikke en ny disciplin. Udviklingen af ​​fysiske videnskaber har været drevet fra begyndelsen af ​​optiske metrologiteknikker. Til gengæld er optisk metrologi blevet revolutioneret af opfindelsen af ​​laseren, den ladede koblede enhed (CCD) og computeren, der har udviklet sig til et bredt og tværfagligt felt relateret til forskellige discipliner såsom fotomekanik, optisk teknik, computersyn og computerbilleddannelse.

For nylig har deep learning (DL), et underområde inden for maskinlæring, fået stor opmærksomhed for sine omfattende anvendelser og enorme succeser inden for computersyn, naturlig sprogbehandling og computerstøttet diagnose. I mellemtiden har teknologigiganterne Google, Facebook, Microsoft, Apple og Amazon antændt "kunsten" med datamanipulation og udviklet letanvendelige open source-deep learning-rammer. Deep learning har forladt den akademiske verden meget hurtigt og er klar til at omforme en række virksomheder på tværs af flere brancher. I lyset af den store succes med deep learning inden for disse beslægtede områder, var forskere i optisk metrologi ude af stand til at holde deres nysgerrighed tilbage med hensyn til at adoptere denne teknologi for yderligere at skubbe grænserne for optisk metrologi og levere nye løsninger for at imødekomme de kommende udfordringer i den evige stræben efter højere nøjagtighed, følsomhed, repeterbarhed, effektivitet, hastighed og robusthed.

I et nyligt reviewpapir offentliggjort i Light Science &Application , præsenterede forskerholdene ledet af professor Chao Zuo fra Smart Computational Imaging (SCI) Laboratory, Nanjing University of Science and Technology, Kina, og professor Kemao Qian fra School of Computer Science and Engineering, Nanyang Technological University, Singapore en oversigt over den aktuelle status og de seneste fremskridt med at anvende DL i optisk metrologi. I denne gennemgang har de systematisk opsummeret klassiske teknikker og billedbehandlingsalgoritmer i optisk metrologi, og diskuteret de tekniske fordele ved at bruge DL i optiske metrologiopgaver ved at fortolke konceptet som et optimeringsproblem. Derefter blev der givet en omfattende gennemgang af specifikke anvendelser af DL i forskellige optiske metrologiopgaver. Udfordringerne og fremtidige retninger for DL-teknikker inden for optisk metrologi blev også påpeget og forestillet sig.

Optiske metrologimetoder danner ofte billeder (f.eks. frynser/plettede mønstre) til behandling. De kan levere fuldfeltsmålinger på skalaer fra millimeter til nanometer med høj hastighed, følsomhed, opløsning og nøjagtighed. Generelt er opgaven med optisk metrologi at opnå den ønskede prøveparameter fra de observerede billeder, hvilket er et typisk omvendt problem forbundet med mange udfordrende problemer, såsom modelmismatch, fejlakkumulering og dårligt stillet. Inden for computersyn og computerbilleddannelse er den klassiske tilgang til at løse et dårligt stillet omvendt problem regularisering, som omformulerer det oprindelige problem til et veloplagt problem ved at pålægge forudgående antagelser om løsningen.

I modsætning hertil foretrækker forskere inden for optisk metrologi, på grund af det faktum, at de optiske målinger ofte udføres i et stærkt kontrolleret miljø, at omformulere det oprindelige dårligt stillede problem til et veloplagt og tilstrækkeligt stabilt regressionsproblem ved aktivt at kontrollere billedet. anskaffelsesproces. Men for mange udfordrende applikationer kan barske driftsforhold gøre sådanne aktive strategier til en luksuriøs eller endda urimelig anmodning. Under sådanne forhold er dyb læring særlig fordelagtig til at løse disse optiske metrologiproblemer, fordi de aktive strategier flyttes fra det faktiske målestadium til forberedelsesfasen (netværkstræning), og "rekonstruktionsalgoritmen" kan læres direkte fra de eksperimentelle data. Hvis træningsdataene er indsamlet under det miljø, der gengiver de virkelige eksperimentelle forhold, og mængden af ​​data er tilstrækkelig, bør den trænede model afspejle virkeligheden mere præcist og omfattende og forventes at give bedre rekonstruktionsresultater end konventionel fysik-model- baseret tilgange.

På grund af ovennævnte fordele har DL fået stigende opmærksomhed inden for optisk metrologi, revolutionerende begrebet optisk metrologi og genopfinde næsten alle de grundlæggende opgaver ved digital billedbehandling inden for optisk metrologi. Deep learning er gradvist "trængt ind" i næsten alle aspekter af optisk metrologi, og viser lovende ydeevne og stort potentiale inden for frynseanalyse, fasegenfinding, faseudpakning osv.

Ikke desto mindre påpegede forfatterne, at deep learning stadig er på det tidlige udviklingsstadium for dets applikationer inden for optisk metrologi, og der er stadig betydelige udfordringer på dette område. Som et uundværligt værktøj i industriel inspektion, medicinsk diagnose og videnskabelig forskning er det afgørende at sikre, at resultaterne opnået ved optiske metrologiske metoder er pålidelige, repeterbare og sporbare. DL er dog ofte blevet betragtet som "sorte bokse" uden teoretisk grundlag for klart at forklare, hvorfor en bestemt netværksstruktur er effektiv i en given opgave eller ej, hvilket kan have alvorlige konsekvenser. Derudover lærer og uddrager DL de "fælles" funktioner fra træningsprøverne, men dette kan føre til utilfredsstillende resultater, når man står over for "sjældne prøver", da informationen ikke kan "fødes ud af ingenting."

"Videnskabens fremskridt kommer fra den kontinuerlige udforskning for at løse det ukendte." Indsigten, der viser mulige ruter for den videre udvikling af DL i optisk metrologi, blev forestillet:

1. Anvendelse af flere nye DL-teknologier til optisk metrologi kan fremme og fremskynde genkendelsen og accepten af ​​DL i flere applikationer.
2. Kombinering af Bayesiansk statistik med DL for at opnå kvantitative usikkerhedsestimater gør det muligt at vurdere, hvornår DL giver upålidelige forudsigelser.
3. En synergi mellem de fysikbaserede modeller, der beskriver a priori viden og datadrevne modeller, der lærer en regularisering fra de eksperimentelle data, forventes at give mere fysisk plausible løsninger til optisk metrologi.

"Will deep learning replace the role of traditional technologies within the field of optical metrology for the years to come? "It is clear no one can predict the future, but we can engage it," Zuo et al. said. "If you are still an 'outsider' or new to this field. We encourage you to try it out! It is easy, and often works."