在机器学习中使用微波超材料加速物体识别

杜克大学和尼斯物理研究所（INPHYNI）的研究人员开发了一种新的物体识别方法，可以联合学习最佳测量策略和匹配处理算法，并使用有关任务、场景和测量约束的推断知识在使用有限数量测量的同时，提高了物体识别任务的准确性。该方法使用微波模式来提高准确性并减少计算时间和功耗要求。研究人员使用了一种超材料天线，可以将微波波前雕刻成各种形状。超材料由一个8×8的正方形网格组成。每个正方形都包含电子结构，这些结构使正方形可以动态调整以阻止或传输微波。

对于系统进行的每次测量，智能传感器都会选择允许微波通过的正方形。这将创建一个独特的微波方向图，该方向图从待识别的物体反弹并返回到另一个类似的超材料天线。感应天线还使用活动正方形的图案，这增加了用于形成反射波的更多选项。计算机分析进入的信号并尝试识别物体。通过将这个过程重复数以千计的变化，机器学习算法最终发现了哪些信息是最重要的，而发送和接收天线上的哪些设置最适合收集它们。

在一种新型的物体识别中，无线电波源（后面板）会创建一个由超材料屏幕定形的波前（中间面板），该屏幕允许波在某些地方通过而在其他地方（前面板）无法通过。 机器学习后找到照亮物体最有用特征的波形。该方法提高了准确性，同时减少了计算时间和功耗要求。 由Mohammadreza Imani /杜克大学提供。

研究员Mohammadreza Imani说：“发射器和接收器共同作用。” “它们经过共同设计和优化，以捕获与手头任务相关的功能。”研究员Philipp del Hougne说：“如果您知道自己的任务，并且知道会发生什么情况，则可能不需要捕获所有可能的信息。”“这种测量和处理的代码符号使我们能够利用我们对任务、场景和测量约束的所有先验知识来优化整个传感过程。”

新的机器学习方法无需人工创建图像以供系统分析。相反，它直接分析纯数据，并确定最佳硬件设置，确定哪些数据是最重要的。经过训练后，机器学习算法可以落入一小组设置中，以帮助将好的数据与坏的数据区分开，从而减少所需的测量次数、时间和计算能力。代替传统微波成像系统通常需要数百甚至数千次测量，新的机器学习方法可以使用少于10次的测量来识别物体。

机器学习算法开发的一种波型（右）及其强度级别（左）的示例，可以最佳地阐明所识别物体的最重要特征。由Mohammadreza Imani /杜克大学提供。

Roarke Horstmeyer教授说：“物体识别方案通常会进行测量，并去解决所有这些麻烦，以使人们可以看到并欣赏图像。”“但这效率低下，因为计算机根本不需要'看'图像。”研究人员Aaron Diebold说：“这种方法规避了这一步骤，并允许程序捕获图像形成过程可能遗漏的细节，而忽略了它不需要的其他场景细节。”“我们基本上是在尝试直接从机器的眼睛看物体。”这种提高的水平是否将扩大到更复杂的传感应用是一个未确定的问题。但是研究人员已经在尝试使用他们的新概念来优化下一代计算机界面的手部动作和手势识别。微波超材料的小尺寸、低成本和易制造性使其成为未来设备很有希望的候选者。

Del Hougne说：“微波是诸如隐蔽安全检测、为无人驾驶汽车识别道路上的物体或监视辅助生活设施中紧急情况等应用的理想选择。” “当您考虑所有这些应用程序时，您需要尽可能快地进行感应，因此我们希望我们的方法对证明这些想法可靠的现实有用。”该研究是杜克大学电气与计算机工程专业的James B. Duke杰出教授David R. Smith和杜克大学生物医学工程助理教授Roarke Horstmeyer的合作。