来自杜克大学和法国尼斯体格研究所的工程师们开发了一种利用微波来识别物体的新方法，这种方法提高了准确性，同时减少了相关的计算时间和功率需求。

该系统可以在自动驾驶汽车、安全扫描和运动传感等关键领域提高目标识别和速度。

新的机器学习方法省去了中间环节，跳过了创建供人工分析的图像的步骤，而是直接分析纯数据。它还联合确定最优硬件设置，显示最重要的数据，同时发现最重要的数据实际上是什么。在一项原理验证研究中，该装置通过数十次测量正确识别了一组三维数字，而不是通常需要的数百或数千次测量。

研究结果发表在12月6日的《先进科学》(Advanced Science)杂志网络版上，是杜克大学(Duke)电子与计算机工程杰出教授戴维·r·史密斯(David R. Smith)与杜克大学生物医学工程助理教授罗克·霍斯特梅尔(Roarke Horstmeyer)的合作成果。

霍斯特迈耶说:“物体识别系统通常需要进行测量，然后费尽周详地制作出供人们观看和欣赏的图像。”“但这是低效的，因为电脑根本不需要‘看’一幅图像。”

史密斯实验室的研究助理亚伦·迪堡德补充说:“这种方法绕过了这一步，允许程序捕捉图像形成过程可能漏掉的细节，同时忽略它不需要的场景的其他细节。”“我们基本上是试图从机器的眼睛直接看到物体。”

在这项研究中，研究人员使用了一种超材料天线，可以将微波波阵面塑造成许多不同的形状。在这种情况下，超材料是一个8x8的正方形网格，每个网格都包含电子结构，可以动态调整来阻止或传输微波。

对于每一次测量，智能传感器都会选择一些正方形让微波通过。这就产生了一种独特的微波模式，它会从被识别的物体上反弹回来，并返回到另一个类似的超材料天线上。传感天线还使用了一个活动的正方形图案来添加更多的选项来塑造反射波。然后计算机分析输入信号并试图识别目标。

通过对不同的变化重复这个过程数千次，机器学习算法最终会发现哪些信息是最重要的，以及发送和接收天线上的哪些设置最适合收集这些信息。

史密斯实验室的研究助理Mohammadreza Imani说:“发射器和接收器一起工作，由机器学习算法共同设计。”“它们是联合设计和优化的，以捕捉与当前任务相关的特性。”

“如果你知道你的任务，你知道会出现什么样的场景，你可能不需要捕捉所有可能的信息，”法国尼斯体格研究所(Institut de de Nice)博士后菲利普·德尔霍尼(Philipp del Hougne)说。“这种测量和处理的协同设计使我们能够利用关于任务、场景和测量约束的所有先验知识来优化整个传感过程。”

经过训练后，机器学习算法落在一小组设置上，这些设置可以帮助它将数据的“小麦”从“谷壳”中分离出来，从而减少了所需的测量次数、时间和计算能力。传统微波成像系统通常需要数百甚至数千次的测量，而现在它可以在不到10次的测量中看到物体。

这种水平的改进是否会扩展到更复杂的传感应用领域，这是一个悬而未决的问题。但研究人员已经在尝试使用他们的新概念来优化下一代计算机界面的手部动作和手势识别。还有许多其他领域需要改进微波传感，而这些类型的超材料体积小、成本低且易于制造，使它们成为未来器件的有希望的候选者。

del Hougne说:“微波非常适合应用于隐蔽的威胁探测、识别道路上无人驾驶汽车的目标，或者监测生活辅助设施的紧急情况。”“当你考虑所有这些应用时，你需要尽可能快地感知，所以我们希望我们的方法将被证明是有用的，使这些想法成为可靠的现实。”