当前位置:主页 > 建站知识 > 网站建设 >

不可见成为可见!超材料和AI融合,洛桑联邦理工「破译」了声音图像

发布时间:2022-01-07 13:40   浏览次数:次   作者:yobo官网
本文摘要:响声在空气中作了一幅大家看不到的画,大家必须用一些方式将其展现出来。听上来有点儿玄幻修真,能保证吗?能!前不久,意大利都灵联邦政府理工大学波工程项目试验室(LaboratoryofWaveEngineering,EPFL)的一个小组运用超材料融合深度神经网络技术性的自主创新构思完成了这一全过程。

yobo体育全站app

响声在空气中作了一幅大家看不到的画,大家必须用一些方式将其展现出来。听上来有点儿玄幻修真,能保证吗?能!前不久,意大利都灵联邦政府理工大学波工程项目试验室(LaboratoryofWaveEngineering,EPFL)的一个小组运用超材料融合深度神经网络技术性的自主创新构思完成了这一全过程。

今年8月2日,该科学研究小组名为Far-FieldSubwavelengthAcousticImagingbyDeepLearning(根据深度神经网络的远场声学材料亚光波长成像)的成效发布于国际性顶尖物理刊物PhysicalReviewX。衍射极限产生的挑戰该小组的这一试着要从物理中的「衍射极限」(Diffractionlimit)谈起。

透射是一个大家生活起居上都遇到过的物理变化——波碰到阻碍物的时候会偏移本来的直线传播。而在这个基础上的衍射极限则就是指,遭受衍射现象的限定,一个物点经光学系统成像,并不可以获得理想化像点。运用一个物件的成像,大家可以对它散播或辐射源的光波、声波频率开展一个说白了的远场(far-field)剖析,为此来勾勒物件自身。为完成这一目地,比较重要的一个要素是成像的屏幕分辨率。

屏幕分辨率受制于光波长,波越少,屏幕分辨率越高。换句话说,更是由于衍射极限,物件的成像品质会受影响。因而,远场观查、鉴别这些规格比光波长小得多的物件,此项每日任务具备趣味性。

亚搏体育app官网入口

尽管专家先前早已设计方案出了几类方式来摆脱这类限定,但这种方式还存有一些难题,例如:入侵性标识方式:必须繁杂、价格昂贵的光学仪器,图像后处理方式繁杂;串联谐振超材料镜片方式:尽管不用标识、成像屏幕分辨率也高,但串联谐振金属复合材料对消化吸收耗损比较敏感,这在非常大水平上阻拦了其具体运用。超材料与深度神经网络的融合针对一切一项科研来讲,发现问题以后,就需要明确提出课题研究,试着得出解决方法了。科学研究小组在毕业论文中表明:深度学习在不断发展,不一样行业的专家刚开始试着根据深度神经网络开展科学研究,如工程项目、微生物、医药学、量子物理等。近些年,深度神经网络取得成功的事例包含医药学图像剖析、语音识别技术、图像归类、逆成像难题及其各种各样繁杂的分析问题。

事实上,由具备离散系统控制模块的好几个解决层构成的深层神经网络,可以根据自调节每一层的內部主要参数,发觉、学习培训掩藏在繁杂数据信息中的构造,不用人工控制。受此启迪,波工程项目试验室科学研究小组的构思是:将超材料与深度神经网络技术性融合,把衍射极限由缺点变为优点,为无标识成像技术性的新运用开拓一条新路。掌握到,超材料即Metamaterial,就是指一类大自然中不会有的、人力生产制造的非活物高分子材料或构造。

在这里一科学研究中,小组选用的是有耗损(小组特意开展的设计方案)的串联谐振金属材料。【用以亚光波长图像复建和鉴别的试验设备】科学研究小组在亚光波长键入图像(subwavelengthinputimages)周边置放金属材料,并训炼神经网络立即对图像开展重新构建和归类。在其中,金属材料的消化吸收损害是有效学习的重要。

实际基本原理见下面的图:相近数据“5”的样子是一个亚光波长声源处。如a一部分所显示,置放在远场中的麦克风阵列捕捉的数据信号不包含有关声源处的亚光波长关键点的一切信息内容,也就是说,无论应用哪些信号分析对策,都不太可能完成成像。

如b一部分所显示,任意插入了一簇亚光波长亥姆霍兹谐振器以后,有关亚光波长关键点的信息内容辐射源来到远场中。如c一部分所显示,小组将麦克风阵列收集到的远场幅度值和相位差键入到神经网络中。

小组应用了二种不一样种类的神经网络,一是U-net型卷积和神经网络,用以图像复建;二是双层并行处理CNN,用以图像归类。屏幕分辨率和归类精密度的明显提高试验结果显示,在沒有化学元素的状况下,U-net型卷积和神经网络无法复建图像;而双层并行处理CNN的归类特性相对性较高,线下和远场各自为67.5%和57.5%。而在添加ñ=29不利于谐振器的状况下,远场归类精密度从57.5%提升 到74%,但是图像复建依然品质较低(下面的图第一行)。

yobo体育全站app

在添加ñ=302不利于谐振器的状况下,不但总体归类精密度提升 来到84%,并且亚光波长图像的复建也十分精确,屏幕分辨率提升 来到30倍(下面的图第二行)。在基本证实了神经网络可以从远场中纪录的力度相位差遍布修复原始的亚光波长图像以后,该小组又拥有一个新起点新征程:确认该互联网在新数据库查询中迅速重学的工作能力。

据统计,科学研究小组建立了一个包括600个学习培训样版和200个检测样版的新数据,在其中包括四个字母E、F、L和P,随后在这个新的、较小的数据上再次训炼U-net型卷积和神经网络,规定神经网络对数据信息集中化的不明英文字母开展归类和重新构建。如圖所显示,历经重学的互联网完成了≥0.94的图像高保真(这儿指键入英文字母和重新构建英文字母中间的差别),表明这类方式具备高宽比适应能力,在学习培训新基本数据类型时能够更为高效率,不会受到键入数据信息多元性的限定。毕业论文共同编撰的者之一RomainFleury注重了这一方式的特有性:根据应用长短大概为一米的声波频率,形成屏幕分辨率仅为3厘米的图像,大家遥远超出了衍射极限。

此外,超材料消化吸收数据信号曾被觉得是一个非常大的缺陷,但事实上,与神经网络紧密结合时,它变成一种优点。事实上科学研究小组还觉得,这一方式能在声学材料图像剖析、特点检验、目标归类中开展运用,或者在生物医学工程运用中做为一种新式无标识声学材料感测器专用工具。如同毕业论文共同编撰的者之一RomainFleury常说:在医药学成像行业,应用长波来观察十分小的物件可能是一个重大成果。长波代表着医师能够应用更低的頻率,就算应对着高密度的成骨细胞,也可以获得到合理的声学材料成像。

引入来源于:https://doi.org/10.1103/PhysRevX.10.031029https://actu.epfl.ch/news/deep-learning-and-metamaterials-make-the-invisible/原创文章内容,没经受权严禁转截。详细信息见转截注意事项。


本文关键词:不,亚搏体育app官网入口,可见,成为,超,材料,和,融合,洛桑,联邦

本文来源:yobo体育全站app-www.hbweifeng.com