Les systèmes de détection sont de plus en plus répandus dans de nombreux domaines de notre vie, tels que les soins de santé ambiants, les véhicules autonomes et l'interaction homme-ordinateur sans contact. Cependant, ces systèmes manquent souvent d'intelligence : ils ont tendance à rassembler toutes les informations disponibles, même si elles ne sont pas pertinentes. Cela peut entraîner non seulement des atteintes à la vie privée, mais également une perte de temps, d'énergie et de ressources informatiques lors du traitement des données.

Pour résoudre ce problème, des chercheurs du CNRS français ont proposé un concept de détection électromagnétique intelligente, qui utilise des techniques d'apprentissage automatique pour générer des modèles d'éclairage appris afin de présélectionner les détails pertinents au cours du processus de mesure. Une métasurface programmable est configurée pour générer les modèles appris, effectuant une détection de haute précision (par exemple, une reconnaissance de posture) avec un nombre remarquablement réduit de mesures.

Mais les processus de mesure dans les applications réalistes sont inévitablement soumis à une variété de bruits. Le bruit accompagne fondamentalement toute mesure. Le rapport signal sur bruit peut être particulièrement faible dans les environnements intérieurs où les signaux électromagnétiques rayonnés doivent être maintenus faibles.

Par conséquent, Chenqi Qian et Philipp del Hougne ont approfondi leurs recherches antérieures et ont présenté un méta-imageur informatique programmable intelligent qui non seulement adapte son modèle d'éclairage à une tâche d'extraction d'informations spécifique comme la reconnaissance d'objets, mais s'adapte également à différents types et niveaux de bruit. Ils ont publié un article de recherche invité sur leurs résultats dans Informatique intelligente le 2 décembre 2022.

"Nous émettons l'hypothèse que les modèles d'éclairage cohérents optimaux à utiliser par un méta-imageur programmable intelligent pour extraire efficacement des informations spécifiques à une tâche d'une scène dépendront profondément du type et du niveau de bruit", ont déclaré les chercheurs, soulignant que le bruit peut impactent profondément les configurations optimales des méta-imageurs car, outre les contraintes de latence qui limitent le nombre de mesures autorisées, le bruit limite également la quantité d'informations pouvant être extraites de la scène.

"Dans cet article, nous explorons systématiquement l'impact de la combinaison des contraintes de latence et du bruit sur les méta-imageurs intelligents programmables multi-prises", ont déclaré les chercheurs. Pour évaluer leur hypothèse, les chercheurs ont considéré un problème prototypique de reconnaissance d'objets, pour lequel ils ont proposé un système de méta-imageur programmable par micro-ondes. De tels systèmes pourraient être déployés dans la surveillance intérieure, l'observation de la terre, etc.

Dans leur système considéré, une antenne à métasurface dynamique hyperfréquence (DMA) rayonnait une séquence de fronts d'onde cohérents vers la scène à l'aide d'un seul émetteur, et une seconde DMA capture de manière cohérente les ondes réfléchies à l'aide d'un seul détecteur. Un pipeline de flux d'informations différenciable de bout en bout a été formulé, qui comprenait le processus de mesure physique programmable, y compris le bruit, ainsi que les couches de traitement numérique ultérieures.

Les éléments essentiels de ce pipeline sont les mêmes pour tous les problèmes d'extraction d'informations basés sur les ondes, y compris l'imagerie, la détection, la localisation et la reconnaissance d'objets. "La seule différence significative réside dans la fonction de coût spécifique à la tâche qui doit être optimisée pour de bonnes performances", ont-ils expliqué.

La même approche que les auteurs ont appliquée à la reconnaissance d'objets peut donc également être utilisée dans des problèmes d'estimation de paramètres tels que la localisation. "Ce pipeline nous permet de concevoir conjointement les poids physiques programmables (configurations DMA qui déterminent les éclairages de scène cohérents) et les poids numériques entraînables."

C'est cette optimisation conjointe - optimisation conjointe de bout en bout spécifique à la tâche des paramètres physiques entraînables et des paramètres numériques entraînables - qui confère au processus de mesure une conscience de la tâche, de sorte qu'il pourrait faire la distinction entre les informations pertinentes pour la tâche et celles qui ne le sont pas. l'air dans le domaine analogique.

Les chercheurs ont testé les performances de ce méta-imageur programmable qui génère une séquence d'éclairages de scène spécifiques à la tâche et au bruit et l'ont trouvé avantageux par rapport à la détection compressée conventionnelle avec des configurations aléatoires lorsque les informations pouvant être extraites de la scène sont limitées par la latence. contraintes et/ou bruit. Les gains de performance pour un type de bruit additif indépendant du signal et dépendant du signal ont tous deux été démontrés. Les caractéristiques « macroscopiques » des modèles d'éclairage appris, à savoir leurs chevauchements et intensités mutuels, se sont avérées intuitivement compréhensibles malgré la nature « boîte noire » de l'approche.

Selon les chercheurs, la transition vers un système qui détecte de manière auto-adaptative le type et le niveau de bruit et met à jour en conséquence sa séquence utilisée de configurations DMA sans intervention humaine supplémentaire est simple. "Nous espérons sincèrement que nos résultats pourront être transposés à des problèmes d'extraction d'informations basés sur d'autres phénomènes ondulatoires (par exemple, l'optique, l'acoustique, les élastiques et la mécanique quantique) et/ou avec d'autres types de matériel de mesure programmable in situ", ont-ils conclu. .

Fourni par l'informatique intelligente