Nanostruktureret flad linse bruger maskinlæring til at se mere klart, mens der bruges mindre strøm

En front-end linse eller meta-imager, der er skabt på Vanderbilt University, kan potentielt erstatte traditionel billedoptik i machine-vision-applikationer, producere billeder ved højere hastighed og bruge mindre strøm.

Nanostruktureringen af ​​linsemateriale til et meta-imager-filter reducerer den typisk tykke optiske linse og muliggør front-end-behandling, der koder information mere effektivt. Billederne er designet til at fungere sammen med en digital backend for at overføre beregningsmæssigt dyre operationer til højhastigheds- og laveffektoptik. De billeder, der produceres, har potentielt brede anvendelser i sikkerhedssystemer, medicinske applikationer og regerings- og forsvarsindustrier.

Professor i maskinteknik Jason Valentine, vicedirektør for Vanderbilt Institute of Nanoscale Science and Engineering, og kollegers proof-of-concept meta-imager er beskrevet i et papir offentliggjort i Nature Nanotechnology .

Andre forfattere omfatter Yuankai Huo, assisterende professor i datalogi; Xiamen Zhang, en postdoktor i maskinteknik; Hanyu Zheng, Ph.D., nu postdoc ved MIT; og Quan Liu, en Ph.D. studerende i datalogi; og Ivan I. Kravchenko, senior R&D-medarbejder ved Center for Nanophase Materials Sciences, Oak Ridge National Laboratory.

Denne arkitektur af en meta-imager kan være meget parallel og bygge bro mellem den naturlige verden og digitale systemer, bemærker forfatterne. "Takket være dens kompakthed, høje hastighed og lave strømforbrug kan vores tilgang finde en bred vifte af applikationer inden for kunstig intelligens, informationssikkerhed og maskinsynsapplikationer," sagde Valentine.

Holdets meta-optiske design begyndte med at optimere en optik bestående af to metasurface linser, som tjener til at kode informationen til en bestemt objektklassificeringsopgave. To versioner blev fremstillet baseret på netværk trænet på en database med håndskrevne numre og en database med tøjbilleder, der almindeligvis bruges til at teste forskellige maskinlæringssystemer. Meta-imageren opnåede 98,6 % nøjagtighed i håndskrevne tal og 88,8 % nøjagtighed i tøjbilleder.

Flere oplysninger: Hanyu Zheng et al., Multichannel meta-imagere til acceleration af maskinsyn, Nature Nanotechnology (2024). DOI:10.1038/s41565-023-01557-2

Journaloplysninger: Naturenanoteknologi

Leveret af Vanderbilt University