В последнее десятилетие задачи оптического зондирования стали более сложными. В результате стало крайне важно создавать миниатюрные, недорогие датчики, которые могут быть интегрированы в чип для создания мобильных приложений в смартфонах, автономных транспортных средствах, роботах и беспилотных летательных аппаратах. Кроме того, алгоритмы играют все более важную роль в зондировании, и во многих недавних разработках использовались алгоритмы машинного обучения.
В новой статье в журнале Science исследователи из лаборатории проф. Фэннянь Ся из электротехнической компании представляет новую концепцию, которую они называют геометрическо-оптическим глубоким зондированием. Концепция, в которой используются инновации в области технологии устройств, физики конденсированных сред и глубокого обучения, имеет потенциал для перехода от аппаратно-ориентированных подходов к программно-ориентированным.
Статья была подготовлена совместно с сотрудниками Техасского университета, Израильского университета Бар-Илан и Венского технологического университета Австрии. В этой новой концепции «геометрический» означает, что выходные данные датчика состоят из многоэлементных данных, которые можно рассматривать как точки в векторных пространствах высокой размерности. «Глубокий» подчеркивает критическую роль глубоких нейронных сетей в этой схеме зондирования.
Шаофань Юань, бывший аспирант лаборатории Ся и соавтор статьи, отметил, что для обычного оптического зондирования требуется несколько оптических устройств, чтобы полностью уловить неизвестные свойства светового луча. К ним относятся различные устройства для измерения интенсивности, поляризации, длин волн и пространственного распределения света. Все эти устройства складываются в громоздкую и дорогую систему.
«В прошлом было приложено много усилий, чтобы сделать оптические сенсорные устройства компактными и многофункциональными, а передовые алгоритмы машинного обучения ускорили решения для оптического зондирования с использованием миниатюрных устройств», — сказал Юань, который добавил, что будущие технологии оптического зондирования станут высоко междисциплинарной областью. «Эта область выиграет от инноваций в структурах устройств, демонстрации новых оптических и оптоэлектронных явлений и прогресса в алгоритмах машинного обучения».
Чао Ма, аспирант лаборатории Ся и другой соавтор статьи, отметил, что возможность перенастройки устройства является ключом к достижению сложного оптического восприятия с помощью одного устройства.
«Одно реконфигурируемое устройство, которое может работать в разных состояниях, необходимо для генерации многоэлементных данных фотоответчика, фиксирующих множество неизвестных свойств света, иногда неявным образом, а затем алгоритмы машинного обучения могут быть использованы для интерпретации данных», — сказал Ма.
Схема предполагает использование реконфигурируемых датчиков и глубоких нейронных сетей для процессов кодирования/декодирования информации. То есть сети были обучены известным свойствам света и могут извлекать нужную информацию из многоэлементных выходных сигналов реконфигурируемых датчиков. Xia отмечает, что он интерпретирует многоэлементные фотоответы во многом так же, как это делают программы распознавания изображений.
«Если вы хотите, чтобы он распознал изображение, будь то собака или кошка, люди или автомобили, вы собираете множество фотографий с известной информацией, а затем тренируете его», — сказал он. «Тогда мы просто дадим нейронной сети неизвестную цифру, и это вам подскажет. Аналогичная идея используется и здесь.»
Исследователи отметили, что основополагающий принцип схемы применим не только к свету, но и к другим областям — например, для измерения магнитных полей. Ся сказал, что он и его сотрудники в настоящее время изучают потенциальные приложения. Одной из возможностей является использование таких встроенных сенсорных устройств для повышения безопасности автономных транспортных средств.