Em um novo tipo de identificação de objeto, uma fonte de ondas de rádio (painel traseiro) cria uma frente de onda (painel do meio) que é formada por uma tela de metamaterial que permite que as ondas passem em alguns lugares, mas não em outros (painel frontal). O aprendizado de máquina então encontra as formas de onda que iluminam os recursos mais úteis de um objeto. O método melhora a precisão enquanto reduz o tempo de computação e os requisitos de energia. Crédito:Mohammadreza Imani, Universidade Duke
Engenheiros da Duke University e do Institut de Physique de Nice, na França, desenvolveram um novo método para identificar objetos usando microondas que melhora a precisão enquanto reduz o tempo de computação associado e os requisitos de energia.
O sistema pode fornecer um impulso para a identificação de objetos e velocidade em campos onde ambos são críticos, como veículos autônomos, triagem de segurança e detecção de movimento.
A nova abordagem de aprendizado de máquina elimina o intermediário, pulando a etapa de criação de uma imagem para análise por um ser humano e, em vez disso, analisa os dados puros diretamente. Ele também determina em conjunto as configurações de hardware ideais que revelam os dados mais importantes, ao mesmo tempo que descobre quais são os dados mais importantes. Em um estudo de prova de princípio, a configuração identificou corretamente um conjunto de números 3-D usando dezenas de medições em vez das centenas ou milhares normalmente necessárias.
Os resultados aparecem online no dia 6 de dezembro na revista. Ciência Avançada e são uma colaboração entre David R. Smith, o professor ilustre James B. Duke de Engenharia Elétrica e de Computação na Duke, e Roarke Horstmeyer, professor assistente de engenharia biomédica na Duke.
"Os esquemas de identificação de objetos normalmente fazem medições e se dão ao trabalho de fazer uma imagem para as pessoas olharem e apreciarem, "disse Horstmeyer." Mas isso é ineficiente porque o computador não precisa 'olhar' para uma imagem. "
"Esta abordagem contorna essa etapa e permite que o programa capture detalhes que um processo de formação de imagem pode perder, enquanto ignora outros detalhes da cena desnecessários, "acrescentou Aaron Diebold, um assistente de pesquisa no laboratório de Smith. "Basicamente, estamos tentando ver o objeto diretamente dos olhos da máquina."
No estudo, os pesquisadores usam uma antena de metamaterial que pode esculpir uma frente de onda de microondas em muitas formas diferentes. Nesse caso, o metamaterial é uma grade de quadrados de 8x8, cada um dos quais contém estruturas eletrônicas que permitem que seja dinamicamente ajustado para bloquear ou transmitir microondas.
Um exemplo de um padrão de onda (à direita) e seus níveis de intensidade (à esquerda) desenvolvido pelo algoritmo de aprendizado de máquina para iluminar melhor as características mais importantes de um objeto que está sendo identificado. Crédito:Mohammadreza Imani, Universidade Duke
Para cada medição, o sensor inteligente seleciona um punhado de quadrados para permitir a passagem das microondas. Isso cria um padrão de micro-ondas único, que rebate no objeto a ser reconhecido e retorna para outra antena de metamaterial semelhante. A antena de detecção também usa um padrão de quadrados ativos para adicionar mais opções para moldar as ondas refletidas. O computador então analisa o sinal de entrada e tenta identificar o objeto.
Repetindo esse processo milhares de vezes para diferentes variações, o algoritmo de aprendizado de máquina eventualmente descobre quais informações são as mais importantes, bem como quais configurações nas antenas de envio e recebimento são as melhores para coletá-las.
"O transmissor e o receptor agem juntos e são projetados juntos pelo algoritmo de aprendizado de máquina, "disse Mohammadreza Imani, assistente de pesquisa no laboratório de Smith. "Eles são projetados e otimizados em conjunto para capturar os recursos relevantes para a tarefa em questão."
"Se você conhece sua tarefa, e você sabe que tipo de cena esperar, você pode não precisar capturar todas as informações possíveis, "disse Philipp del Hougne, um pós-doutorado no Institut de Physique de Nice. "Este co-design de medição e processamento nos permite fazer uso de todo o conhecimento a priori que temos sobre a tarefa, restrições de cena e medição para otimizar todo o processo de detecção. "
Após o treinamento, o algoritmo de aprendizado de máquina pousou em um pequeno grupo de configurações que podem ajudá-lo a separar o joio do trigo dos dados, reduzindo o número de medições, tempo e poder computacional de que necessita. Em vez das centenas ou mesmo milhares de medições normalmente exigidas pelos sistemas tradicionais de imagem por microondas, ele podia ver o objeto em menos de 10 medidas.
Se esse nível de melhoria seria escalável ou não para aplicações de detecção mais complicadas, é uma questão em aberto. Mas os pesquisadores já estão tentando usar seu novo conceito para otimizar o movimento da mão e o reconhecimento de gestos para interfaces de computador de próxima geração. Existem muitos outros domínios em que são necessárias melhorias na detecção de microondas, e o tamanho pequeno, o baixo custo e a fácil manufatura desses tipos de metamateriais os tornam candidatos promissores para dispositivos futuros.
"Microondas são ideais para aplicativos como detecção de ameaças ocultas, identificar objetos na estrada para carros sem motorista ou monitorar emergências em instalações de vida assistida, "disse Del Hougne." Quando você pensa sobre todas essas aplicações, você precisa que a detecção seja o mais rápida possível, portanto, esperamos que nossa abordagem seja útil para tornar essas ideias realidades confiáveis. "
