在過去的十年中，光學傳感任務變得更加苛刻。因此，構建小型化、價格低，且可集成在芯片上以支持智能手機、自動駕駛汽車、機器人和無人機的移動應用的傳感器變得至關重要。此外，算法在傳感中也發(fā)揮著越來越重要的作用，許多最近的研發(fā)都利用了機器學習算法。

據(jù)外媒報道，耶魯大學（Yale University）電氣工程夏豐年（Fengnian Xia）教授實驗室的研究人員推出新概念：幾何光學深度傳感。該概念利用設備技術、凝聚態(tài)物理學和深度學習方面的創(chuàng)新，有可能從以硬件為導向轉向以軟件為導向的方法。

相關論文已發(fā)布于期刊《Science》，且該論文由德克薩斯大學（University of Texas）、以色列巴伊蘭大學（Bar-Ilan University）和奧地利維也納科技大學（Vienna University of Technology）的合作者共同撰寫。在這個新概念中，“幾何”表示傳感器輸出由多元素數(shù)據(jù)組成，可以將其視為高維向量空間中的點。“深度”突出了深度神經(jīng)網(wǎng)絡在該傳感方案中的關鍵作用。

該論文的共同作者、夏豐年實驗室前博士生Shaofan Yuan指出，傳統(tǒng)的光學傳感需要多個光學設備才能完全捕獲光束的未知特性。其中包括用于測量光的強度、偏振、波長和空間分布的不同設備。所有這些設備加起來構成了一個龐大而昂貴的系統(tǒng)。

Shaofan Yuan表示：“過去，人們?yōu)槭构鈱W傳感設備變得緊湊和多功能做出了很多努力，先進的機器學習算法加速了使用小型化設備的光學傳感解決方案。未來的光學傳感技術將是一個高度交叉的領域。該領域將受益于設備結構的創(chuàng)新、新興光學和光電現(xiàn)象的演示，以及機器學習算法的進步?！?

該論文的另一位共同作者、夏豐年實驗室博士生Chao Ma指出，設備可重構性是使用單個設備實現(xiàn)復雜光學傳感的關鍵。

Chao Ma表示：“可以在不同狀態(tài)下運行的單個可重構設備對于生成多元素光響應數(shù)據(jù)至關重要，有時以隱式方式捕獲光的多種未知特性，然后可以使用機器學習算法來解釋數(shù)據(jù)。”

該方案涉及使用可重構傳感器和深度神經(jīng)網(wǎng)絡進行信息編碼/解碼過程。也就是說，網(wǎng)絡已經(jīng)用已知的光屬性進行了訓練，并且可以從可重構傳感器的多元素輸出中提取正確的信息。夏教授指出，該方案解釋多元素光響應的方式與圖像識別程序的方式很相似。

夏教授表示：“如果你想讓它識別一幅圖像，無論是狗、貓、人還是汽車，你都可以收集大量包含已知信息的照片，然后對其進行訓練。我們只要給神經(jīng)網(wǎng)絡一個未知的數(shù)字即可。”

研究人員指出，該方案的基本原理不僅適用于光，還適用于其他領域，例如感應磁場。夏教授稱其研究團隊目前正在研究潛在的應用，其中包括使用這種集成傳感設備使自動駕駛汽車更安全。