Forskere skaber lave omkostninger, AI-drevet enhed til at måle optiske spektre

Et team af forskere ved UCLA Samueli School of Engineering har demonstreret en ny tilgang til et gammelt problem:måling af lysspektre, også kendt som spektroskopi. Ved at udnytte skalerbar, omkostningseffektive nano-fremstillingsteknikker, samt AI-drevne algoritmer, de byggede og testede et system, der er mere kompakt end konventionelle spektrometre, samtidig med at det giver yderligere designfordele.

Spektroskopi er et centralt værktøj til mange anvendelser inden for biovidenskab, medicin, astrofysik og andre områder. Konventionelle spektrometre opdeler lys i dets konstituerende farver, så intensiteten af ​​hver enkelt kan måles. Dette fører til adskillige begrænsninger og designafvejninger:finere spektral opløsning (med snævrere afstand mellem detekterbare farver eller bølgelængder) kan kræve brug af dyrere hardware, øge enhedens fysiske fodaftryk og potentielt ofre signalstyrken. Dette kan være problematisk for applikationer, der kræver høj følsomhed, høj spektral opløsning, og kompakt systemdesign. Det giver også yderligere udfordringer for hyperspektral billeddannelse, som involverer at fange et spektrum for hver pixel i et billede, en teknik, der almindeligvis anvendes til fjernmålingsopgaver såsom miljøovervågning til vurdering af afgrøders sundhed eller forekomsten af ​​drivhusgasser blandt andre anvendelser.

UCLA-forskernes tilgang, drevet af AI, genovervejer spektroskopiproblemet fra bunden. I stedet for at stole på at opdele lyset i en regnbue af konstituerende bølgelængder, en nanostruktureret chip dekonstruerer lyset spektralt ved hjælp af hundredvis af unikke spektralfiltre parallelt. Denne chip bruger plasmoniske strukturer som en spektral koder, som er sammensat af 252 fliser, hver med et unikt mønster i nanoskala, der transmitterer et særskilt lysspektrum. Med andre ord, det ukendte lysspektrum, der skal måles, "kodes" i transmissionen af ​​hver af disse plasmoniske fliser. Denne nanostrukturerede encoder er fremstillet gennem en aftrykslitografiproces, der drastisk kan reducere produktionsomkostningerne og muliggøre skalering til store produktionsvolumener.

Lyset, der transmitteres af den spektrale encoder-chip, opfanges ved hjælp af en standard, billig billedsensor, der rutinemæssigt bruges i vores mobiltelefonkameraer, producerer et billede, der derefter føres ind i et neuralt netværk, der har til opgave at rekonstruere det ukendte lysspektrum ud fra den kodede billedinformation. Dette spektrale rekonstruktionsneurale netværk viste sig at producere nøjagtige resultater meget hurtigere end andre beregningsspektroskopiske tilgange, giver et resultat på mindre end en tredivtedel af et millisekund. Denne nye AI-drevne spektrometerramme demonstrerer en vej omkring de typiske afvejninger mellem enhedsomkostninger, størrelse, opløsning og signalstyrke.

"Vi demonstrerer ikke kun et bevis på konceptanordning her, " sagde Aydogan Ozcan, Kanslerens professor i elektro- og computerteknik og associeret direktør for California NanoSystems Institute (CNSI), hvis gruppe udførte undersøgelsen. "Vi præsenterer en helt ny ramme for chip-skala spektrometer design. Det neurale netværk, træningsspektrene, nano-koderens geometrier og materialer; hver af disse komponenter kan optimeres til forskellige applikationer eller specifikke opgaver, muliggør kompakt, omkostningseffektive spektrometre, der producerer højkvalitetsmålinger for en given prøvetype eller spektralt regime."

Denne AI-aktiverede on-chip spektrometerramme kunne finde forskellige applikationer lige fra miljøovervågning af gasser og toksiner, til medicinsk diagnostik, hvor spektral information er nødvendig for at skelne tilstedeværelsen af ​​forskellige biomarkører. Forskerne bemærker også, at de plasmoniske fliser kunne skaleres ned og tesselleres (som et kamerapixelgitter) for at udføre hyperspektral billeddannelse, hvilket kan være vigtigt i for eksempel, autonom fjernmåling, hvor kompakt, letvægtsformfaktor er afgørende.

De andre forfattere af værket var Electrical &Computer Engineering forskere Calvin Brown, Artem Goncharov, Zachary S. Ballard og Yunzhe Qiu, bachelorstuderende Mason Fordham og Ashley Clemens, og adjungeret professor i elektro- og computerteknik Yair Rivenson.

Undersøgelsen blev offentliggjort i tidsskriftet ACS Nano .