En un nuevo tipo de identificación de objetos, una fuente de ondas de radio (panel posterior) crea un frente de onda (panel central) que tiene la forma de una pantalla de metamaterial que permite que las ondas pasen en algunos lugares pero no en otros (panel frontal). El aprendizaje automático luego encuentra las formas de onda que iluminan las características más útiles de un objeto. El método mejora la precisión al tiempo que reduce el tiempo de cálculo y los requisitos de energía. Crédito:Mohammadreza Imani, Universidad de Duke
Los ingenieros de la Universidad de Duke y el Institut de Physique de Nice en Francia han desarrollado un nuevo método para identificar objetos mediante microondas que mejora la precisión y reduce el tiempo de cálculo asociado y los requisitos de energía.
El sistema podría proporcionar un impulso a la identificación de objetos y la velocidad en campos donde ambos son críticos, como los vehículos autónomos, control de seguridad y detección de movimiento.
El nuevo enfoque de aprendizaje automático elimina al intermediario, omitiendo el paso de crear una imagen para que la analice un humano y, en su lugar, analiza los datos puros directamente. También determina conjuntamente la configuración de hardware óptima que revela los datos más importantes y, al mismo tiempo, descubre cuáles son realmente los datos más importantes. En un estudio de prueba de principio, la configuración identificó correctamente un conjunto de números 3-D utilizando decenas de medidas en lugar de los cientos o miles que normalmente se requieren.
Los resultados aparecen en línea el 6 de diciembre en la revista. Ciencia avanzada y son una colaboración entre David R. Smith, el Profesor Distinguido James B. Duke de Ingeniería Eléctrica e Informática en Duke, y Roarke Horstmeyer, profesor asistente de ingeniería biomédica en Duke.
"Los esquemas de identificación de objetos generalmente toman medidas y se toman la molestia de crear una imagen que la gente pueda ver y apreciar. ", dijo Horstmeyer." Pero eso es ineficiente porque la computadora no necesita 'mirar' una imagen en absoluto ".
"Este enfoque evita ese paso y permite que el programa capture detalles que un proceso de formación de imágenes podría pasar por alto mientras ignora otros detalles de la escena que no necesita. "añadió Aaron Diebold, asistente de investigación en el laboratorio de Smith. "Básicamente, estamos tratando de ver el objeto directamente desde los ojos de la máquina".
En el estudio, los investigadores utilizan una antena de metamaterial que puede esculpir un frente de onda de microondas en muchas formas diferentes. En este caso, el metamaterial es una cuadrícula de cuadrados de 8x8, cada uno de los cuales contiene estructuras electrónicas que le permiten ser sintonizado dinámicamente para bloquear o transmitir microondas.
Un ejemplo de un patrón de onda (derecha) y sus niveles de intensidad (izquierda) desarrollados por el algoritmo de aprendizaje automático para iluminar mejor las características más importantes de un objeto que se identifica. Crédito:Mohammadreza Imani, Universidad de Duke
Para cada medida, el sensor inteligente selecciona un puñado de cuadrados para dejar pasar las microondas. Esto crea un patrón de microondas único, que rebota en el objeto para ser reconocido y regresa a otra antena de metamaterial similar. La antena sensora también usa un patrón de cuadrados activos para agregar más opciones para dar forma a las ondas reflejadas. Luego, la computadora analiza la señal entrante e intenta identificar el objeto.
Al repetir este proceso miles de veces para diferentes variaciones, el algoritmo de aprendizaje automático finalmente descubre qué piezas de información son las más importantes, así como qué configuraciones en las antenas de envío y recepción son las mejores para recopilarlas.
"El transmisor y el receptor actúan juntos y están diseñados juntos por el algoritmo de aprendizaje automático, "dijo Mohammadreza Imani, asistente de investigación en el laboratorio de Smith. "Están diseñados y optimizados en conjunto para capturar las características relevantes para la tarea en cuestión".
"Si conoces tu tarea, y sabes qué tipo de escena esperar, es posible que no necesite capturar toda la información posible, "dijo Philipp del Hougne, becario postdoctoral en el Institut de Physique de Nice. “Este co-diseño de medición y procesamiento nos permite hacer uso de todo el conocimiento a priori que tenemos sobre la tarea, restricciones de escena y medición para optimizar todo el proceso de detección ".
Después de entrenar, el algoritmo de aprendizaje automático aterrizó en un pequeño grupo de configuraciones que podrían ayudarlo a separar el trigo de los datos de la paja, reducir el número de mediciones, tiempo y potencia computacional que necesita. En lugar de los cientos o incluso miles de mediciones que suelen requerir los sistemas de imágenes por microondas tradicionales, podía ver el objeto en menos de 10 medidas.
Si este nivel de mejora se ampliaría o no a aplicaciones de detección más complicadas es una cuestión abierta. Pero los investigadores ya están tratando de utilizar su nuevo concepto para optimizar el reconocimiento de movimientos y gestos de la mano para las interfaces de computadora de próxima generación. Hay muchos otros dominios en los que se necesitan mejoras en la detección de microondas, y el pequeño tamaño, El bajo costo y la facilidad de fabricación de estos tipos de metamateriales los convierten en candidatos prometedores para dispositivos futuros.
"Las microondas son ideales para aplicaciones como la detección de amenazas ocultas, identificar objetos en la carretera para vehículos sin conductor o monitorear emergencias en instalaciones de vida asistida, "dijo del Hougne." Cuando piensas en todas estas aplicaciones, necesitas que la detección sea lo más rápida posible, por lo que esperamos que nuestro enfoque resulte útil para convertir estas ideas en realidades fiables ".
