[論文レビュー] Artificial Neural Network with Physical Dynamic Metasurface Layer for Optimal Sensing

Philipp del Hougne, Mohammadreza F. Imani+3 more|Figshare|Jun 24, 2019

Random lasers and scattering media参考文献 38被引用数 30

ひとこと要約

本稿では、動的メタサーフェスの微分可能物理モデルを用いて、電磁波面の照明とニューラルネットワーク処理を同時に最適化する学習可能センシングフレームワークを提案する。ニューラルネットワーク学習パイプラインに結合ダイポールの前向きモデルを統合することで、従来のランダムまたは直交/PCAベースの波面と比較して、より少ない測定回数で高い分類精度を達成する非直感的な最適な照明パターンを学習する。

ABSTRACT

We address the fundamental question of how to optimally probe a scene with electromagnetic (EM) radiation to yield a maximum amount of information relevant to a particular task. Machine learning (ML) techniques have emerged as powerful tools to extract task-relevant information from a wide variety of EM measurements, ranging from optics to the microwave domain. However, given the ability to actively illuminate a particular scene with a programmable EM wavefront, it is often not clear what wavefronts optimally encode information for the task at hand (e.g., object detection, classification). Here, we show that by integrating a physical model of scene illumination and detection into a ML pipeline, we can jointly learn optimal sampling and measurement processing strategies for a given task. We consider in simulation the example of classifying objects using microwave radiation produced by dynamic metasurfaces. By integrating an analytical forward model describing the metamaterial elements as coupled dipoles into the ML pipeline, we jointly train analog model weights with digital neural network weights. The learned non-intuitive illumination settings yield a higher classification accuracy using fewer measurements. On the practical level, these results are highly relevant to emerging context-aware systems such as autonomous vehicles, touchless human-interactive devices or within smart health care, where strict time constraints place severe limits on measurement strategies. On the conceptual level, our work serves as a bridge between wavefront shaping and tunable metasurface design on the physical layer and ML techniques on the processing layer.

研究の動機と目的

• 波に基づくセンシングにおけるタスク固有の性能を向上させるための最適なアクティブ照明の課題に取り組む。
• コンテキスト認識センシングシステムにおけるハードウェア取得とソフトウェア処理の分離最適化の限界を克服する。
• センシング効率の向上を図るため、物理的波面形状とニューラルネットワーク重みの共同学習を可能にする。
• 微分可能物理モデルを用いて、電磁界散乱を逆誤差伝搬可能にする動的メタサーフェスのモデルを開発する。
• 本フレームワークを用いて学習されたタスク固有の照明パターンが、一般的な戦略やPCAベースの戦略を上回ることを実証する。

提案手法

• 動的メタサーフェスの解析的前向きモデル（結合ダイポール）を微分可能な機械学習パイプラインに統合する。
• 物理モデルを通じた誤差逆伝搬を用いて、アナログ的メタサーフェスパラメータとデジタル的ニューラルネットワーク重みを同時に学習する。
• シーンの照明被りを最適化する目的関数を定義し、PCAモード適合または直交ビーム合成を目的とする。
• 訓練中にメタサーフェス素子の2値制御を強制するために温度パラメータを適用する。
• 照明パターン間の相互干渉を最小化するため、微分可能な被りメトリックを採用する。
• すべての照明戦略に同一のハードウェアプラットフォームを用い、学習は本提案フレームワークでのみ実施される。

実験結果

リサーチクエスチョン

• RQ1 物理層と機械学習処理パイプラインを共同で最適化することで、従来の別々に最適化されたセンシングシステムを上回ることができるか？
• RQ2 2値メタサーフェス制御や要素間結合といった物理的制約を、微分可能な学習フレームワークにどのように統合できるか？
• RQ3 与えられたセンシングタスクにおいて、最も少ない測定回数で最高の分類精度を達成する照明波面は何か？
• RQ4 本フレームワークは、ランダムまたはハダールドベースの波面と比較して、非直感的でタスク固有の照明パターンを学習できるか？
• RQ5 学習プロセスに物理的知識を統合することで、サンプル効率と精度がどの程度向上するか？

主な発見

• 提案された学習統合センシングパイプライン（LISP）は、測定回数を減らしながらも、ランダム、直交、PCAベースの照明戦略を上回る高い分類精度を達成する。
• 従来の設計原理では容易に導けない非直感的な照明パターンを学習する。
• メタサーフェスパラメータとニューラルネットワーク重みを同時に学習することで、必要な測定回数を削減しながら、タスクパフォーマンスを維持または向上できる。
• 微分可能な物理モデルにより、2値制約や結合効果が存在する中でも、ハードウェアと処理のエンドツーエンド最適化が可能になる。
• 従来の逆設計手法と比較して、ビーム合成および直交パターン生成の分野で優れた性能を示す。
• 本アプローチにより、計算マイクロ波ゴーストイメージングにおける効率向上を図るカスタムカスタマイズ可能なスプライク統計が可能になる。