• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • ¿Modelado basado en la física para el aprendizaje basado en datos? El cambio de paradigma en metrología óptica

    El aprendizaje profundo está creando nuevas aplicaciones en metrología óptica. Como ejemplo demostrado por la figura, la fase del patrón de franjas adquirida de un interferómetro Fizeau se puede demodular mediante aprendizaje profundo con alta precisión y alta eficiencia. Crédito:Chao Zuo, Jiaming Qian, Shijie Feng, Wei Yin, Yixuan Li, Pengfei Fan, Jing Han, Kemao Qian y Qian Chen

    Actualmente, el aprendizaje profundo está generando un interés creciente en la investigación y está conduciendo a un cambio de paradigma del modelado basado en la física al aprendizaje basado en datos en el campo de la metrología óptica. Científicos de China y Singapur publicaron un artículo de revisión titulado "Aprendizaje profundo en metrología óptica:una revisión" en Light:Science &Applications . Proporcionan una revisión exhaustiva del aprendizaje profundo en varias tareas de metrología óptica, lo que revela que los métodos de aprendizaje profundo para problemas específicos, en la mayoría de los casos, superan considerablemente a sus predecesores basados ​​en modelos físicos.

    La metrología óptica es la ciencia y la tecnología de realizar mediciones con el uso de la luz como patrones o portadores de información. Aunque la metrología óptica es un área en rápido crecimiento, no es una disciplina nueva. El desarrollo de las ciencias físicas ha estado impulsado desde sus inicios por las técnicas de metrología óptica. A cambio, la metrología óptica ha sido revolucionada por la invención del láser, el dispositivo acoplado cargado (CCD) y la computadora, convirtiéndose en un campo amplio e interdisciplinario relacionado con diversas disciplinas como la fotomecánica, la ingeniería óptica, la visión por computadora y la imagen computacional.

    Recientemente, el aprendizaje profundo (DL), un subcampo del aprendizaje automático, ha ganado una gran atención por sus amplias aplicaciones y tremendos éxitos en la visión por computadora, el procesamiento del lenguaje natural y el diagnóstico asistido por computadora. Mientras tanto, los gigantes tecnológicos Google, Facebook, Microsoft, Apple y Amazon han iniciado el "arte" de la manipulación de datos y han desarrollado marcos de aprendizaje profundo de código abierto y fáciles de usar. El aprendizaje profundo ha dejado los pasillos de la academia muy rápidamente y está listo para remodelar una variedad de empresas en múltiples industrias. A la luz del gran éxito del aprendizaje profundo en estos campos relacionados, los investigadores en metrología óptica no pudieron contener su curiosidad con respecto a la adopción de esta tecnología para ampliar aún más los límites de la metrología óptica y proporcionar nuevas soluciones para enfrentar los próximos desafíos. en la búsqueda perpetua de mayor precisión, sensibilidad, repetibilidad, eficiencia, velocidad y robustez.

    En un artículo de revisión reciente publicado en Light Science &Application , los equipos de investigación dirigidos por el profesor Chao Zuo del Laboratorio de Imágenes Computacionales Inteligentes (SCI) de la Universidad de Ciencia y Tecnología de Nanjing, China, y el profesor Kemao Qian de la Facultad de Informática e Ingeniería de la Universidad Tecnológica de Nanyang, Singapur, presentaron una descripción general de el estado actual y los últimos avances de la aplicación de DL en metrología óptica. En esta revisión, resumieron sistemáticamente técnicas clásicas y algoritmos de procesamiento de imágenes en metrología óptica y discutieron las ventajas técnicas de usar DL en tareas de metrología óptica al interpretar el concepto como un problema de optimización. Luego se proporcionó una revisión exhaustiva de las aplicaciones específicas de DL en varias tareas de metrología óptica. También se señalaron y previeron los desafíos y las direcciones futuras de las técnicas de DL en el campo de la metrología óptica.

    Los métodos de metrología óptica a menudo forman imágenes (por ejemplo, patrones de franjas/motas) para su procesamiento. Pueden proporcionar mediciones de campo completo a escalas que van desde milímetros a nanómetros con alta velocidad, sensibilidad, resolución y precisión. En general, la tarea de la metrología óptica es obtener el parámetro de muestra deseado a partir de las imágenes observadas, que es un problema inverso típico asociado con muchos problemas desafiantes, como la falta de coincidencia del modelo, la acumulación de errores y la mala ubicación. En los campos de la visión por computadora y la imagen computacional, el enfoque clásico para resolver un problema inverso mal planteado es la regularización, que reformula el problema original en uno bien planteado al imponer suposiciones previas sobre la solución.

    Por el contrario, en metrología óptica, debido al hecho de que las mediciones ópticas se llevan a cabo con frecuencia en un entorno altamente controlado, los investigadores prefieren reformular el mal planteado problema original en un problema de regresión bien planteado y adecuadamente estable mediante el control activo de la imagen. proceso de adquisición. Sin embargo, para muchas aplicaciones desafiantes, las duras condiciones de operación pueden hacer que tales estrategias activas sean una solicitud lujosa o incluso irrazonable. Bajo tales condiciones, el aprendizaje profundo es particularmente ventajoso para resolver esos problemas de metrología óptica porque las estrategias activas se desplazan de la etapa de medición real a la etapa de preparación (entrenamiento de la red), y el "algoritmo de reconstrucción" se puede aprender directamente de los datos experimentales. Si los datos de entrenamiento se recopilan en un entorno que reproduce las condiciones experimentales reales, y la cantidad de datos es suficiente, el modelo entrenado debe reflejar la realidad de manera más precisa y completa, y se espera que produzca mejores resultados de reconstrucción que el modelo de física convencional. enfoques basados.

    Debido a los cambios significativos que trae el aprendizaje profundo al concepto de tecnología de metrología óptica, casi todas las tareas elementales del procesamiento de imágenes digitales en metrología óptica han sido reformadas por el aprendizaje profundo. Crédito:Chao Zuo, Jiaming Qian, Shijie Feng, Wei Yin, Yixuan Li, Pengfei Fan, Jing Han, Kemao Qian y Qian Chen

    Debido a las ventajas antes mencionadas, DL ha ganado cada vez más atención en metrología óptica, revolucionando el concepto de metrología óptica y reinventando casi todas las tareas fundamentales del procesamiento de imágenes digitales en metrología óptica. El aprendizaje profundo ha "penetrado" gradualmente en casi todos los aspectos de la metrología óptica, mostrando un rendimiento prometedor y un gran potencial en el análisis de franjas, recuperación de fase, desenvolvimiento de fase, etc.

    Sin embargo, los autores señalaron que el aprendizaje profundo aún se encuentra en una etapa temprana de desarrollo para sus aplicaciones en metrología óptica y que aún quedan desafíos importantes en este campo. Como herramienta indispensable en la inspección industrial, el diagnóstico médico y la investigación científica, es crucial garantizar que los resultados obtenidos por los métodos de metrología óptica sean confiables, repetibles y trazables. Sin embargo, DL a menudo se considera como "cajas negras" sin base teórica para explicar claramente por qué una estructura de red particular es efectiva en una tarea determinada o no, lo que puede causar graves consecuencias. Además, DL aprende y extrae las características "comunes" de las muestras de entrenamiento, pero esto puede conducir a resultados insatisfactorios cuando se enfrenta a "muestras raras", ya que la información no puede "nacer de la nada".

    "El progreso de la ciencia proviene de la exploración continua para resolver lo desconocido". Se previeron los conocimientos que demuestran posibles rutas para un mayor desarrollo de DL en metrología óptica:

    1. Aprovechar más tecnologías emergentes de DL para la metrología óptica podría promover y acelerar el reconocimiento y la aceptación de DL en más aplicaciones.
    2. La combinación de estadísticas bayesianas con DL para obtener estimaciones cuantitativas de la incertidumbre permite evaluar cuándo DL produce predicciones poco fiables.
    3. Se espera que una sinergia de los modelos basados ​​en la física que describen el conocimiento a priori y los modelos basados ​​en datos que aprenden una regularización de los datos experimentales proporcione soluciones más plausibles físicamente para la metrología óptica.

    "Will deep learning replace the role of traditional technologies within the field of optical metrology for the years to come? "It is clear no one can predict the future, but we can engage it," Zuo et al. said. "If you are still an 'outsider' or new to this field. We encourage you to try it out! It is easy, and often works." + Explore further

    Optical sciences researcher dishes up new method for measuring radio antennas




    © Ciencia https://es.scienceaq.com