[논문 리뷰] Artificial Neural Network with Physical Dynamic Metasurface Layer for Optimal Sensing

Philipp del Hougne, Mohammadreza F. Imani외 3명|Figshare|2019. 06. 24.

Random lasers and scattering media참고 문헌 38인용 수 30

한 줄 요약

이 논문은 동적 메타표면의 미분 가능한 물리 모델을 사용하여 전자기파면 조명과 신경망 처리를 함께 최적화하는 학습된 센싱 프레임워크를 제안한다. 결합된 드롭렛 전진 모델을 신경망 학습 파이프라인에 통합함으로써, 무작위 또는 전통적인 직교/PCA 기반 파면보다 더 적은 측정 수로 더 높은 분류 정확도를 달성하는 비직관적인 최적의 조명 패턴을 학습한다. 이는 마이크로파 센싱 작업에서의 성능 향상을 위한 것이다.

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.

연구 동기 및 목표

• 작업 특화 성능을 위한 웨이브 기반 센싱에서 최적의 능동 조명을 해결하기 위해.
• 맥락 인식 센싱 시스템에서 하드웨어 캡처와 소프트웨어 처리를 별도로 최적화하는 데서 비롯되는 제약을 극복하기 위해.
• 센싱 효율성 향상을 위해 물리적 파면 형상 조절과 신경망 가중치를 공동으로 학습할 수 있도록 하기 위해.
• 역전파를 통한 전자기 산란을 가능하게 하는 동적 메타표면의 미분 가능한 물리 모델을 개발하기 위해.
• 이 프레임워크를 통해 학습된 작업 특화 조명 패턴이 일반적 또는 PCA 기반 전략보다 뛰어나다는 것을 입증하기 위해.

제안 방법

• 동적 메타표면의 분석적 전진 모델을 결합된 드롭렛으로 간주하여, 미분 가능한 기계 학습 파이프라인에 통합한다.
• 물리 모델을 통해 오차 역전파를 수행하여 아날로그 메타표면 파rameter와 디지털 신경망 가중치를 공동으로 학습한다.
• 장면 조명 겹침을 기반으로 비용 함수를 정의하여 PCA 모드 일치 또는 직교 비임의 합성에 최적화한다.
• 학습 중 메타표면 요소의 이진 제어를 강제하기 위해 온도 파rameter를 적용한다.
• 메타표면 요소 간 상호 간섭을 최소화하기 위해 미분 가능한 겹침 지표를 사용한다.
• 모든 조명 전략에 동일한 하드웨어 플랫폼을 사용하며, 오직 구성만 이 프레임워크를 통해 학습된다.

실험 결과

연구 질문

• RQ1 공동 최적화된 물리 레이어와 기계 학습 처리 파이프라인은 기존의 별도 최적화된 센싱 시스템보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 이진 메타표면 제어 및 요소 간 상호작용과 같은 물리적 제약 조건을 어떻게 미분 가능한 학습 프레임워크에 통합할 수 있는가?
• RQ3 주어진 센싱 작업에서 가장 적은 측정 수로 가장 높은 분류 정확도를 달성하는 조명 파면은 무엇인가?
• RQ4 이 프레임워크는 무작위 또는 하다르드 기반 파면보다 뛰어난 표준 방법을 초월하는 비직관적인 작업 특화 조명 패턴을 학습할 수 있는가?
• RQ5 학습 과정에 물리적 지식을 통합할 경우 샘플 효율성과 정확도가 얼마나 향상되는가?

주요 결과

• 제안된 학습 통합 센싱 파이프라인(LISP)은 더 적은 측정 수로 랜덤, 직교, 또는 PCA 기반 조명 전략보다 더 높은 분류 정확도를 달성한다.
• 기존 설계 원칙으로 쉽게 유도되지 않는 비직관적인 조명 패턴을 학습한다.
• 메타표면 파rameter와 신경망 가중치를 공동으로 학습함으로써, 측정 수를 줄이면서도 작업 성능을 유지하거나 향상시킨다.
• 미분 가능한 물리 모델은 이진 제약 조건과 결합 효과이 있음에도 불구하고 하드웨어와 처리의 엔드 투 엔드 최적화를 가능하게 한다.
• 伝통적인 역설계 방법에 비해 비임의 합성 및 직교 패턴 생성에서 뛰어난 성능을 보여준다.
• 이 프레임워크는 계산적 마이크로파 고스트 이미징의 효율성을 향상시키기 위해 맞춤형 스페클 통계를 가능하게 한다.