杜克大学和法国尼斯生理研究所的工程师开发了一种利用微波识别物体的新方法，该方法提高了准确性，并减少了相关的计算时间和功率要求。

该系统可以提高自动驾驶汽车、安全扫描和运动传感等关键领域的目标识别和速度。

新的机器学习方法省略了中间环节，跳过了创建图像进行人工分析的步骤，而是直接分析纯数据。它还共同确定最佳硬件设置，显示最重要的数据，并找出最重要的数据实际是什么。在一项原理验证研究中，该设备通过几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。

该研究成果于12月6日发表在《先进科学》(AdvancedScience)杂志在线版上，是杜克大学电子与计算机工程杰出教授大卫r史密斯(DavidR.Smith)和杜克大学生物医学工程助理教授罗克霍斯特迈尔(RoarkeHorstmeyer)的合作成果。

Homemeyer说，“物体识别系统通常需要测量，然后煞费苦心地创建图像，供人们观看和欣赏。”“但这是低效的，因为计算机根本不需要‘看到’图像。”

SmithLab的研究助理AaronDibaode补充说，“这种方法绕过了这一步，让程序捕捉到了图像形成过程中可能遗漏的细节，而忽略了它不需要的场景的其他细节。”“我们基本上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，它可以将微波波前塑造成许多不同的形状。在这种情况下，超材料是一个88的正方形网格，每个网格包含电子结构，可以动态调整以防止或传输微波。

每次测量，智能传感器都会选择一些方块让微波通过。这创造了一种独特的微波模式，它从被识别的物体上反弹回来，返回到另一个类似的超材料天线。传感器天线还使用移动的方形图案来添加更多选项来塑造反射波。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，机器学习算法将最终找出哪些信息是最重要的，以及发射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MohammadRezaiimani说，“发射机和接收机协同工作，由机器学习算法设计。”"它们被联合设计和优化，以捕捉与当前任务相关的特征."

“如果你知道你的任务和会发生什么样的场景，你可能不需要捕捉所有可能的信息，”法国尼斯研究所博士后菲利普德尔侯格内说。“这种测量和处理的协同设计使我们能够利用所有关于任务、场景和测量约束的先验知识来优化整个感知过程。”

经过训练后，机器学习算法落入一小组设置中，可以帮助其将数据的“麦粒”与“谷壳”分离，从而减少所需的测量次数、时间和计算能力。传统的微波成像系统通常需要数百甚至数千次测量，但现在它可以在不到10次测量中看到物体。

这种水平的改进是否会扩展到更复杂的传感应用是一个悬而未决的问题。但是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中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，这些类型的超材料体积小、成本低、易于制造，使其成为未来器件的有前途的候选材料。

DelHougne说：“微波非常适合探测隐藏的威胁，识别无人驾驶汽车在路上的目标，或者监测生命保障设施的紧急情况。”“当你考虑所有这些应用时，你需要尽快感知它们，所以我们希望我们的方法将被证明是有用的，并使这些想法成为可靠的现实。”