一种新的光学传感方法，一种需求越来越大的技术

图：几何深度光学传感示意图。来源：耶鲁大学

       在过去的十年里，光学传感任务变得越来越苛刻。因此，制造小型化、廉价的传感器变得至关重要，这些传感器可以集成在芯片上，以实现智能手机、自动驾驶汽车、机器人和无人机中的移动应用。此外，算法在传感中发挥着越来越重要的作用，许多最近的发展都利用了机器学习算法。

       发表在《Science》上一篇新论文中，Fengnian Xia教授实验室的研究人员引入了一个新概念，他们称之为几何光学深度传感。这一概念利用了器件、凝聚态物理和深度学习方面的创新，有可能从面向硬件的方法转向面向软件的方法。

       这篇论文是多所高校共同完成的。在这个新概念中，“几何”表示传感器输出由多元素数据组成，这些数据可以被视为高维向量空间中的点。“深度”突出了深度神经网络在这一传感方案中的关键作用。

       该论文的合著者Shaofan Yuan指出，传统光学传感需要多个光学设备才能完全捕捉光束的未知特性。这些包括测量光的强度、偏振、波长和空间分布的不同设备。所有这些设备加在一起，构成了一个庞大而昂贵的系统。

       Yuan说：“过去，人们一直在努力使光学传感设备变得紧凑和多功能，先进的机器学习算法加速了使用微型设备的光学传感解决方案。”他补充说，未来的光学传感技术将是一个高度跨学科的领域。“该领域将受益于器件结构的创新、新兴光学和光电现象的演示以及机器学习算法的进步。”

       Xia实验室的博士生、该论文的另一位共同主要作者Chao Ma指出，设备的可重新配置性是用单个设备实现复杂光学传感的关键。

       “一个可以在不同状态下操作的单一可重构设备对于生成多元素光响应数据至关重要，该数据有时以隐式方式捕获光的多种未知特性，然后可以使用机器学习算法来解释数据，”Ma说。

       该方案涉及使用可重构传感器和深度神经网络进行信息编码/解码过程。也就是说，这些网络已经用已知的光的性质进行了训练，并且可以从可重构传感器的多元素输出中提取正确的信息。Xia指出，它对多元素光响应的解释与图像识别程序的解释非常相似。

       他说：“如果你想让它识别图像，无论是狗、猫、人还是汽车，你都会收集大量具有已知信息的照片，然后对它进行训练。”。“然后我们给神经网络一个未知的数字，它就会告诉你。这里也使用了类似的想法。”

       研究人员指出，该方案的基本原理不仅适用于光，还适用于其他领域，例如感应磁场。Xia说，他和他的合作者目前正在寻找潜在的应用。一种可能性是使用这种集成传感设备使自动驾驶汽车更安全。

1. Shaofan Yuan et al, Geometric deep optical sensing, Science (2023). DOI: 10.1126/science.ade1220