En la última decada, detección óptica las tareas se han vuelto más exigentes. Como resultado, se ha vuelto fundamental construir sensores miniaturizados y económicos que puedan integrarse en el chip para permitir aplicaciones móviles en teléfonos inteligentes, vehículos autónomos, robots y drones. Además, los algoritmos son cada vez más importantes en la detección y muchos desarrollos recientes han utilizado algoritmos de aprendizaje automático.
Esquema de la detección óptica profunda geométrica
En un nuevo artículo en Ciencia, los investigadores del laboratorio del Prof. Fengnian Xia en Ingeniería Eléctrica presentan un nuevo concepto que llaman «Detección profunda óptica geométrica» para detección e imagen. El concepto, que aprovecha las innovaciones en tecnología de dispositivos, física de materia condensada y aprendizaje profundo, tiene el potencial alejarse de los enfoques orientados al hardware por los orientados al software. El artículo fue escrito con colaboradores de la Universidad de Texas, la Universidad Bar-Ilan de Israel y la Universidad Tecnológica de Viena de Austria. En este nuevo concepto, «geométrico» indica que las salidas del sensor consisten en datos de elementos múltiples, que pueden verse como puntos en espacios vectoriales de alta dimensión. «Profundo» destaca el papel fundamental de las redes neuronales profundas en este esquema de detección.
Shaofan Yuan, un ex Ph.D. estudiante en el laboratorio de Xia y coautor principal del artículo, señaló que la detección óptica convencional requiere múltiples dispositivos ópticos para capturar completamente las propiedades desconocidas del haz de luz. Estos incluyen diferentes dispositivos para medir la intensidad, la polarización, las longitudes de onda y la distribución espacial de la luz. Todos estos dispositivos se suman y forman un sistema voluminoso y costoso.
“Se ha hecho mucho esfuerzo para hacer que los dispositivos de detección óptica sean compactos y multifuncionales en el pasado, y los algoritmos avanzados de aprendizaje automático han acelerado las soluciones de detección óptica utilizando dispositivos miniaturizados”, dijo Yuan, quien agregó que las futuras tecnologías de detección óptica serán un campo altamente interdisciplinario. “Este campo se beneficiará de las innovaciones en estructuras de dispositivos, demostraciones de fenómenos ópticos y optoelectrónicos emergentes y avances en algoritmos de aprendizaje automático”.
Chao Ma, estudiante de doctorado en el laboratorio de Xia y el otro coautor principal, señaló que la reconfiguración del dispositivo es clave para lograr una detección óptica complicada con un solo dispositivo.
Entre los proyectos existentes revisados se encuentra un proceso de detección inteligente desarrollado previamente por el grupo Xia: las propiedades geométricas cuánticas determinan las fotorrespuestas, que luego son interpretadas por una red neuronal. Crédito de la imagen: grupo Xia
“Un solo dispositivo reconfigurable que pueda operarse en diferentes estados es esencial para generar datos de fotorrespuesta de múltiples elementos que capturen múltiples propiedades desconocidas de la luz, a veces de manera implícita, y luego se pueden usar algoritmos de aprendizaje automático para interpretar los datos”, dijo Ma. dicho.
El esquema implica el uso de sensores reconfigurables y redes neuronales profundas para los procesos de codificación/descodificación de información. Las redes han sido entrenadas con propiedades conocidas de la luz y pueden extraer la información correcta de las salidas de elementos múltiples de sensores reconfigurables. Xia señala que interpreta las fotorrespuestas de elementos múltiples como programas de reconocimiento de imágenes.
“Si quieres que reconozca una imagen, ya sea un perro, un gato, un ser humano o un automóvil, recopilas numerosas fotos con información conocida y luego lo entrenas”, dijo. “Entonces simplemente le damos a la red neuronal una cifra desconocida, y eso te lo dirá. La idea similar se usa aquí.”
Los investigadores notaron que el principio subyacente del esquema se aplica no solo a la luz sino a otras áreas, por ejemplo, para detectar campos magnéticos. Xia dijo que él y sus colaboradores actualmente están buscando posibles aplicaciones. Una posibilidad es usar tales dispositivos de detección integrados para hacer que los vehículos autónomos sean más seguros.
Fuente: Universidad de Yale
