Eine an der Vanderbilt University entwickelte Front-End-Linse oder Meta-Imager kann möglicherweise herkömmliche Abbildungsoptiken in Bildverarbeitungsanwendungen ersetzen und Bilder mit höherer Geschwindigkeit und geringerem Stromverbrauch erzeugen.
Die Nanostrukturierung des Linsenmaterials zu einem Meta-Imager-Filter reduziert die normalerweise dicke optische Linse und ermöglicht eine Front-End-Verarbeitung, die Informationen effizienter kodiert. Die Bildgeber sind so konzipiert, dass sie mit einem digitalen Backend zusammenarbeiten, um rechenintensive Vorgänge auf Hochgeschwindigkeitsoptiken mit geringem Stromverbrauch zu verlagern. Die erzeugten Bilder haben potenziell breite Anwendungsmöglichkeiten in Sicherheitssystemen, medizinischen Anwendungen sowie in der Regierungs- und Verteidigungsindustrie.
Der Proof-of-Concept-Meta-Imager von Maschinenbauprofessor Jason Valentine, stellvertretender Direktor des Vanderbilt Institute of Nanoscale Science and Engineering und Kollegen wird in einem Artikel beschrieben veröffentlicht In Natur-Nanotechnologie.
Weitere Autoren sind Yuankai Huo, Assistenzprofessor für Informatik; Xiamen Zhang, Postdoktorand im Maschinenbau; Hanyu Zheng, Ph.D., jetzt Postdoktorand am MIT; und Quan Liu, ein Ph.D. Student der Informatik; und Ivan I. Kravchenko, leitender F&E-Mitarbeiter am Center for Nanophase Materials Sciences, Oak Ridge National Laboratory.
Diese Architektur eines Meta-Imagers kann hochgradig parallel sein und die Lücke zwischen der natürlichen Welt und digitalen Systemen schließen, stellen die Autoren fest. „Dank seiner Kompaktheit, hohen Geschwindigkeit und geringen Leistungsaufnahme könnte unser Ansatz ein breites Anwendungsspektrum in den Bereichen künstliche Intelligenz, Informationssicherheit und Bildverarbeitungsanwendungen finden“, sagte Valentine.
Das Metaoptik-Design des Teams begann mit der Optimierung einer Optik, die aus zwei Metaoberflächenlinsen bestand, die zur Kodierung der Informationen für eine bestimmte Objektklassifizierungsaufgabe dienten. Zwei Versionen wurden auf der Grundlage von Netzwerken erstellt, die auf einer Datenbank mit handgeschriebenen Zahlen und einer Datenbank mit Kleidungsbildern trainiert wurden, die üblicherweise zum Testen verschiedener maschineller Lernsysteme verwendet werden. Der Meta-Imager erreichte eine Genauigkeit von 98,6 % bei handschriftlichen Zahlen und eine Genauigkeit von 88,8 % bei Kleidungsbildern.
Mehr Informationen:
Hanyu Zheng et al., Mehrkanal-Meta-Imager zur Beschleunigung der maschinellen Bildverarbeitung, Natur-Nanotechnologie (2024). DOI: 10.1038/s41565-023-01557-2