In un nuovo tipo di identificazione degli oggetti, una sorgente di onde radio (pannello posteriore) crea un fronte d'onda (pannello centrale) che è modellato da uno schermo metamateriale che consente alle onde di passare in alcuni punti ma non in altri (pannello anteriore). L'apprendimento automatico trova quindi le forme d'onda che illuminano le caratteristiche più utili di un oggetto. Il metodo migliora la precisione riducendo i tempi di elaborazione e i requisiti di alimentazione. Credito:Mohammadreza Imani, Duke University
Gli ingegneri della Duke University e dell'Institut de Physique de Nice in Francia hanno sviluppato un nuovo metodo per identificare gli oggetti utilizzando le microonde che migliora la precisione riducendo i tempi di calcolo associati e i requisiti di alimentazione.
Il sistema potrebbe fornire una spinta all'identificazione degli oggetti e alla velocità nei campi in cui entrambi sono critici, come veicoli autonomi, screening di sicurezza e rilevamento del movimento.
Il nuovo approccio al machine learning elimina gli intermediari, saltando il passaggio della creazione di un'immagine per l'analisi da parte di un essere umano e analizza invece direttamente i dati puri. Inoltre determina congiuntamente le impostazioni hardware ottimali che rivelano i dati più importanti scoprendo contemporaneamente quali sono effettivamente i dati più importanti. In uno studio di prova di principio, la configurazione ha identificato correttamente un insieme di numeri 3D utilizzando decine di misurazioni invece delle centinaia o migliaia normalmente richieste.
I risultati appaiono online il 6 dicembre sulla rivista Scienze avanzate e sono una collaborazione tra David R. Smith, il James B. Duke Distinguished Professor di Ingegneria Elettrica e Informatica presso la Duke, e Roarke Horstmeyer, assistente professore di ingegneria biomedica alla Duke.
"Gli schemi di identificazione degli oggetti in genere prendono misurazioni e si danno da fare per creare un'immagine che le persone possano guardare e apprezzare, " ha detto Horstmeyer. "Ma questo è inefficiente perché il computer non ha bisogno di 'guardare' un'immagine a tutti."
"Questo approccio elude questo passaggio e consente al programma di acquisire dettagli che un processo di formazione dell'immagine potrebbe perdere ignorando altri dettagli della scena di cui non ha bisogno, " ha aggiunto Aaron Diebold, un assistente di ricerca nel laboratorio di Smith. "Stiamo sostanzialmente cercando di vedere l'oggetto direttamente dagli occhi della macchina".
Nello studio, i ricercatori usano un'antenna in metamateriale che può scolpire un fronte d'onda a microonde in molte forme diverse. In questo caso, il metamateriale è una griglia di quadrati 8x8, ognuno dei quali contiene strutture elettroniche che gli consentono di essere sintonizzato dinamicamente per bloccare o trasmettere le microonde.
Un esempio di un modello d'onda (a destra) e dei suoi livelli di intensità (a sinistra) sviluppato dall'algoritmo di apprendimento automatico per illuminare al meglio le caratteristiche più importanti di un oggetto identificato. Credito:Mohammadreza Imani, Duke University
Per ogni misura, il sensore intelligente seleziona una manciata di quadrati per far passare le microonde. Questo crea un modello a microonde unico, che rimbalza sull'oggetto da riconoscere e ritorna su un'altra antenna metamateriale simile. L'antenna di rilevamento utilizza anche uno schema di quadrati attivi per aggiungere ulteriori opzioni per modellare le onde riflesse. Il computer quindi analizza il segnale in ingresso e tenta di identificare l'oggetto.
Ripetendo questo processo migliaia di volte per diverse varianti, l'algoritmo di apprendimento automatico alla fine scopre quali informazioni sono le più importanti e quali impostazioni sia sull'antenna di invio che su quella di ricezione sono le migliori per raccoglierle.
"Il trasmettitore e il ricevitore agiscono insieme e sono progettati insieme dall'algoritmo di apprendimento automatico, " disse Mohammadreza Imani, assistente di ricerca nel laboratorio di Smith. "Sono progettati e ottimizzati congiuntamente per catturare le caratteristiche rilevanti per l'attività da svolgere".
"Se conosci il tuo compito, e sai che tipo di scena aspettarti, potrebbe non essere necessario acquisire tutte le informazioni possibili, " disse Philipp del Hougne, un borsista post-dottorato presso l'Institut de Physique de Nice. "Questo co-design di misurazione ed elaborazione ci consente di utilizzare tutte le conoscenze a priori che abbiamo sul compito, vincoli di scena e misurazione per ottimizzare l'intero processo di rilevamento."
Dopo l'allenamento, l'algoritmo di apprendimento automatico è atterrato su un piccolo gruppo di impostazioni che potrebbero aiutarlo a separare il grano dei dati dalla pula, riducendo il numero di misurazioni, tempo e potenza di calcolo di cui ha bisogno. Invece delle centinaia o addirittura migliaia di misurazioni tipicamente richieste dai tradizionali sistemi di imaging a microonde, poteva vedere l'oggetto in meno di 10 misurazioni.
Se questo livello di miglioramento possa raggiungere o meno applicazioni di rilevamento più complicate è una questione aperta. Ma i ricercatori stanno già cercando di utilizzare il loro nuovo concetto per ottimizzare il riconoscimento del movimento della mano e dei gesti per le interfacce dei computer di prossima generazione. Ci sono molti altri domini in cui sono necessari miglioramenti nel rilevamento a microonde, e le piccole dimensioni, il basso costo e la facile producibilità di questi tipi di metamateriali li rendono candidati promettenti per dispositivi futuri.
"Le microonde sono ideali per applicazioni come il rilevamento di minacce nascoste, identificazione di oggetti sulla strada per auto senza conducente o monitoraggio per emergenze in strutture di assistenza, " ha detto del Hougne. "Quando pensi a tutte queste applicazioni, hai bisogno che il rilevamento sia il più veloce possibile, quindi speriamo che il nostro approccio si riveli utile nel rendere queste idee realtà affidabili".
