[论文解读] 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 30

一句话总结

该论文提出了一种学习型感知框架，通过使用可微分的动态超表面物理模型，联合优化电磁波前照明与神经网络处理。通过将耦合偶极子正向模型集成到神经网络训练流程中，该方法学习到最优的、非直观的照明模式，在微波感知任务中实现更高的分类准确率，且所需测量次数少于随机或传统正交/PCA基波前。

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.

研究动机与目标

• 为基于波的感知中特定任务性能的最优主动照明挑战提供解决方案。
• 克服上下文感知感知系统中硬件采集与软件处理分别优化的局限性。
• 实现物理波前整形与神经网络权重的联合学习，以提升感知效率。
• 开发一种动态超表面的可微分物理模型，实现电磁散射过程中的反向传播。
• 证明通过该框架学习到的任务特定照明模式，优于通用或基于PCA的策略。

提出的方法

• 将动态超表面的解析正向模型（作为耦合偶极子）集成到可微分机器学习流程中。
• 通过物理模型进行误差反向传播，联合训练模拟超表面参数与数字神经网络权重。
• 基于场景照明重叠定义代价函数，以优化PCA模式匹配或正交波束合成。
• 在训练期间使用温度参数强制实现超表面元件的二值控制。
• 采用可微分重叠度量以最小化不同照明模式之间的相互干扰。
• 所有照明策略均使用同一硬件平台，仅配置通过所提框架进行学习。

实验结果

研究问题

• RQ1 联合优化的物理层与机器学习处理流程是否能优于传统分别优化的感知系统？
• RQ2 如何将二值超表面控制与元件间耦合等物理约束整合到可微分学习框架中？
• RQ3 在给定感知任务下，何种照明波前能以最少测量次数实现最高分类准确率？
• RQ4 该框架能否学习到非直观的、任务特定的照明模式，使其优于随机或Hadamard基波前等标准方法？
• RQ5 将物理知识整合到学习过程中，在多大程度上能提升样本效率与准确率？

主要发现

• 所提出的联合学习感知流水线（LISP）在使用更少测量次数的情况下，分类准确率优于随机、正交或PCA基照明策略。
• 该方法学习到的照明模式具有非直观性，难以通过传统设计原则推导得出。
• 通过联合训练超表面参数与神经网络权重，该框架在保持或提升任务性能的同时，减少了所需测量次数。
• 可微分物理模型实现了硬件与处理的端到端优化，即使在二值约束与耦合效应下依然有效。
• 该方法在波束合成与正交模式生成方面，相比传统逆向设计方法表现出更优性能。
• 该框架可实现定制化的散斑统计特性，从而提升计算微波鬼成像的效率。