Naukowcy z Southeast University w Chinach opracowali innowacyjną metodę, która wykorzystuje głębokie uczenie się, aby kontrolować fale elektromagnetyczne szybsze i łatwiejsze. Postęp ten koncentruje się na programowalnych metasurfalach-cienkich materiałach manipulowanych przez fale, takie jak fale światła i radiowe. Odkrycia, prowadzone przez profesora Tie Jun Cui, są publikowane w Iscience.
Programowalne metasurki są znane ze swojej zdolności do kształtowania fal elektromagnetycznych, ale projektowanie wzorów do ich kontrolowania zawsze było powolnym i trudnym zadaniem. Fale elektromagnetyczne są formami energii, takimi jak sygnały światła lub radiowe, które przemieszczają się w przestrzeni. „Nasz model może prawie natychmiast obliczyć te wzorce, po prostu określając, jak powinna wyglądać fala”, wyjaśnił profesor Cui. Ich metoda łączy najnowocześniejszą technikę głębokiego uczenia się, rodzaj sztucznej inteligencji, która szkoli komputery do rozpoznawania wzorców i podejmowania decyzji, z fizycznym modelem zachowania fal elektromagnetycznych. Takie podejście zapewnia, że wyniki są zarówno dokładne, jak i praktyczne. Naukowcy wykazali swój sukces w testach, pokazując, że działa dobrze w przypadku prostych i złożonych wzorców fal.
Metasurfaces są zasadniczo bardzo cienkie materiały zaprojektowane w celu oddziaływania z falami elektromagnetycznymi w precyzyjny sposób. W przeciwieństwie do tradycyjnych materiałów, można je zaprogramować do wykonywania określonych zadań, takich jak sygnały skupienia lub filtrowanie niechcianych częstotliwości. Wcześniej powierzchni tych nie można było dostosować po wykonaniu, ograniczając ich użyteczność. Wynalezienie programowalnych metasurów pozwoliło inżynierom wprowadzać te regulacje elektroniczne, umożliwiając znacznie szerszy zakres aplikacji. Jednak ustalenie, jak stworzyć najlepsze wzory falowe wymagało złożonych, czasochłonnych procesów, często obejmujących iteracyjne metody, w których rozwiązania są udoskonalane krok po kroku. Metody te były niepraktyczne dla zastosowań w świecie rzeczywistym. Nowa metoda rozwiązuje to, wykorzystując głębokie uczenie się, aby ominąć te tradycyjne wyzwania.
Nowy system ma kilka korzyści. Działa prawie w czasie rzeczywistym, co oznacza, że może szybko reagować na zmieniające się potrzeby. Uwzględniając zasady fizyczne do modeli głębokiego uczenia się, nie wymaga również ogromnej ilości oznaczonych danych szkoleniowych lub symulacji, których potrzebują starsze metody. Dane szkolenia odnoszą się do przykładów, z których uczą się systemy sztucznej inteligencji, aby dokonać dokładnych prognoz. Proces wykorzystuje system głębokiego uczenia się do obliczenia rozmieszczenia komponentów powierzchniowych i uproszczonego modelu fizycznego do przewidywania, w jaki sposób będą się zachowywać fale. Testy wykazały, że system może wytwarzać wzorce w momentach, co stanowi znaczną poprawę w stosunku do tradycyjnych technik, które mogą potrwać wiele godzin.
Aby zrozumieć, jak dobrze działa ich metoda, naukowcy porównali ją ze starszym podejściem zwanym optymalizacją roju binarnego, techniką obliczeniową inspirowaną zbiorowym zachowaniem zwierząt, takich jak ptaki lub ryby podczas wyszukiwania żywności. Odkryli, że ich model głębokiego uczenia się działał nie tylko znacznie szybciej, ale także stworzył bardziej efektywne wzorce fal. Wyeliminując niepotrzebne przygotowanie danych i stosując szybszy proces, takie podejście jest zarówno bardziej praktyczne, jak i potężne niż wcześniejsze rozwiązania.
„Wyniki naszych eksperymentów pokazują, że ta metoda może niezawodnie projektować wzorce fal dla aplikacji w czasie rzeczywistym, takie jak skanowanie obiektów lub poprawa komunikacji bezprzewodowej”, powiedział profesor Cui.
Technologia ma potencjał szerokiego zakresu zastosowań, w tym inteligentnych czujników, urządzeń, które zbierają i reagują na dane środowiskowe, systemy śledzenia i inne zastosowania, w których potrzebne są szybkie regulacje fal elektromagnetycznych. Zespół pokazał również, w jaki sposób można go wykorzystać w scenariuszach wymagających stałych aktualizacji, takich jak podążanie za ruchomym celem o skoncentrowanej wiązce energii.
Pomimo sukcesu naukowcy potwierdzili, że nadal istnieją obszary do poprawy. Na przykład ich model zakłada, że zmiany składników powierzchni wpływają tylko na fazę fali lub czas, bez uwzględnienia bardziej złożonych interakcji. To uproszczenie działa dobrze, ale może przeoczyć niektóre szczegóły, które mogą poprawić dokładność. Naukowcy badają sposoby udoskonalenia swojego systemu, aby uzyskać jeszcze lepszą wydajność.
Ten przełom stanowi znaczący krok naprzód w technologii, która kontroluje fale elektromagnetyczne. Dzięki temu proces szybszy, łatwiejszy i bardziej dostosowuje się, badania te otwierają drzwi do nowych zastosowań w komunikacji, wykrywaniu i nie tylko.
Referencje dziennika
Jianghan Bao, Weihan Li, Siqi Huang, Wen Ming Yu, Che Liu i Tie Jun Cui. „Oparta na fizyce bez nadzoru sieć głębokiego uczenia się dla programowalnych tworzenia wiązek opartych na metasurface”. Iscience, 2024. DOI: https://doi.org/10.1016/j.isci.2024.110595
O autorach
Remis jun cui (Fellow, IEEE) otrzymał B.Sc., M.Sc. i doktorat Stopnie z Xidian University, Xi’an, Chiny, odpowiednio w 1987, 1990 i 1993 roku. W marcu 1993 r. Dołączył do Wydziału Inżynierii Elektromagnetycznej, Xidian University, aw listopadzie 1995 r. Awansował na profesora nadzwyczajnego w latach 1995-1997, był futrem Institut Fur Hochstfrequenztechnikund Elektronik (IHE), University of Karlsruhe, Karlsruhe , Niemcy. W lipcu 1997 r. Dołączył do Centrum Elektromagnetyki obliczeniowej, Departamentu Electrical and Computer Engineering, University of Illinois w Urbanachampaign, Champaign, IL, USA, najpierw jako stowarzyszenie badawczych badawczych, wówczas jako naukowiec. We wrześniu 2001 r. Był profesorem Cheung-Kong w Department of Radio Engineering, Southeast University, Nanjing, Chiny. W styczniu 2018 r. Został głównym profesorem Uniwersytetu Południowo -Wschodniej. Jest akademicką chińskiej Akademii Nauki. Jest pierwszym autorem książek Metamaterials: Theory, Design and Applications (Springer, listopad 2009), metamateriały: Beyond Crystals, Noncrystals i Quasicrysztals (CRC Press, Marzec 2016) oraz informacyjne metamateriały (Cambridge University Press, 2021) . Jest autorem lub współautorem artykułów z recenzji Morethan 600 w czasopiśmie, które zostały cytowane przez ponad 62 000 razy (H-Factor 122) i licencjonował ponad 150 patentów. Jego badania zostały wybrane jako jeden z najbardziej ekscytujących recenzowanych optyki optyki optyki w 2016 r. Przez magazyn Optics and Photonics News, dziesięć przełomów chińskiej nauki w 2010 roku i wiele najważniejszych punktów badań w serii czasopism. Jego prace były powszechnie zgłaszane przez Nature News, MIT Technology Review, Scientific American, Discover i New Scientists. Był laureatem stypendium badawczego Alexander von Humboldt Foundation, Bonn, Niemcy, w 1995 r., Nagroda Young Scientist od Międzynarodowej Unii Radio Science w 1999 roku.
Che Liu otrzymał B.eng. stopień naukowy i technologii oraz doktorat Dyplom na Uniwersytecie Południowo -Wschodniej, Nanjing, Chiny, odpowiednio w 2015 i 2022 r. Obecnie jest postdoktorem Zhishan na Uniwersytecie Południowo -Wschodniej. Został wybrany do listy 2% naukowców z 2% na świecie w 2024 r. (Networking & Telecommunications) opublikowanym przez Elsevier Publishing Group. Jego zainteresowania badawcze obejmują obliczeniowe elektromagnetyczne, meta-materiałowe i głębokie uczenie się. Jest zaangażowany w stosowanie technologii sztucznej inteligencji rozwiązywania problemów elektromagnetycznych, w tym obrazowania ISAR, obrazowania holograficznego, odwrotnego obrazowania rozpraszania, automatycznego projektowania anten i sieci neuronowej dyfrakcyjnej.
