Система может обеспечить ускорение идентификации объектов и скорости в областях, где оба критичны, таких как автономные транспортные средства, проверка безопасности и обнаружение движения.
Новый подход к машинному обучению исключает посредников, пропускает этап создания изображения для анализа человеком и вместо этого анализирует чистые данные напрямую.
Он также совместно определяет оптимальные настройки оборудования, которые раскрывают наиболее важные данные, одновременно обнаруживая, что на самом деле является наиболее важными данными. При проверке принципа работы установка правильно определила набор трехмерных чисел, используя десятки измерений вместо сотен или тысяч, которые обычно требуются.
Результаты появятся в Интернете 6 декабря в журнале Advanced Science и являются результатом сотрудничества Дэвида Р. Смит, Джеймс Б. Герцог, заслуженный профессор электротехники и вычислительной техники в Duke, и Рорк Хорстмайер, доцент кафедры биомедицинской инженерии в Duke.
«Схемы идентификации объектов обычно проводят измерения и прилагают все усилия, чтобы создать изображение, на которое люди будут смотреть и оценивать», – сказал Хорстмайер. «Но это неэффективно, потому что компьютеру вообще не нужно« смотреть »на изображение."
«Такой подход обходит этот шаг и позволяет программе фиксировать детали, которые может упустить процесс формирования изображения, игнорируя при этом другие детали сцены, которые ей не нужны», – добавил Аарон Диболд, научный сотрудник лаборатории Смита. "Мы в основном пытаемся увидеть объект прямо глазами машины."
В исследовании ученые использовали антенну из метаматериала, которая может придавать волновому фронту микроволнового излучения множество различных форм. В данном случае метаматериал представляет собой сетку квадратов 8×8, каждый из которых содержит электронные структуры, которые позволяют динамически настраивать его для блокирования или передачи микроволн.
Для каждого измерения интеллектуальный датчик выбирает несколько квадратов, через которые проходят микроволны. Это создает уникальный микроволновый рисунок, который отражается от распознаваемого объекта и возвращается к другой подобной антенне из метаматериала. Чувствительная антенна также использует набор активных квадратов, чтобы добавить дополнительные параметры для формирования отраженных волн. Затем компьютер анализирует входящий сигнал и пытается идентифицировать объект.
Повторяя этот процесс тысячи раз для разных вариантов, алгоритм машинного обучения в конечном итоге обнаруживает, какие фрагменты информации являются наиболее важными, а также какие настройки на передающей и принимающей антеннах лучше всего подходят для их сбора.
«Передатчик и приемник работают вместе и спроектированы вместе с помощью алгоритма машинного обучения», – сказал Мохаммадреза Имани, научный сотрудник лаборатории Смита. "Они совместно спроектированы и оптимизированы для реализации функций, имеющих отношение к поставленной задаче."
«Если вы знаете свою задачу и знаете, какую сцену ожидать, возможно, вам не потребуется фиксировать всю возможную информацию», – сказал Филипп дель Хугне, научный сотрудник Института физики в Ницце. «Этот совместный дизайн измерения и обработки позволяет нам использовать все априорные знания, которые у нас есть о задаче, сцене и ограничениях измерения, чтобы оптимизировать весь процесс зондирования."
После обучения алгоритм машинного обучения выбрал небольшую группу настроек, которые могли помочь ему отделить зерна данных от плевел, сократив количество необходимых измерений, время и вычислительную мощность. Вместо сотен или даже тысяч измерений, обычно требуемых традиционными микроволновыми системами визуализации, он мог видеть объект менее чем за 10 измерений.
Будет ли этот уровень улучшения масштабироваться до более сложных приложений зондирования – вопрос открытый. Но исследователи уже пытаются использовать свою новую концепцию для оптимизации распознавания движений рук и жестов для компьютерных интерфейсов следующего поколения.
Есть множество других областей, в которых необходимы улучшения в микроволновом зондировании, а небольшой размер, низкая стоимость и простота изготовления этих типов метаматериалов делают их многообещающими кандидатами в будущие устройства.
«Микроволны идеально подходят для таких приложений, как обнаружение скрытых угроз, идентификация объектов на дороге для автомобилей без водителя или мониторинг аварийных ситуаций в учреждениях для престарелых», – сказал дель Хугне. "Когда вы думаете обо всех этих приложениях, вам нужно, чтобы восприятие происходило как можно быстрее, поэтому мы надеемся, что наш подход окажется полезным для воплощения этих идей в реальность."