機器學習算法開發(fā)的波形（右）及其強度水平（左）的示例，可以最好地闡明被識別物體的最重要特征。

美國杜克大學的科研團隊與工程專家共同開發(fā)了一種能夠利用微波進行物體檢測的新技術。這一方法不僅提升了識別的準確度，還降低了所需的計算時間和電力消耗。在需要快速并準確識別物體的領域，如自動駕駛汽車、安全檢查和運動感應，該系統(tǒng)具有顯著優(yōu)勢。

該團隊采用了機器學習算法，避免了生成供人審查的圖像，而是直接對純數(shù)據(jù)進行解析。該算法能夠同時優(yōu)化用于提取關鍵數(shù)據(jù)的硬件配置，并確定哪些數(shù)據(jù)最為關鍵。在一次概念驗證實驗中，該系統(tǒng)僅用幾十個測量值就準確識別了一組三維數(shù)字，遠少于通常需要的數(shù)百或數(shù)千個測量值。

研究人員使用的是由電子構造組成的8×8正方形網(wǎng)格超材料天線，該天線能夠動態(tài)調(diào)整其結構以屏蔽或發(fā)出微波，從而使微波波前塑造成多種不同形狀。在進行每一次測量時，一個智能傳感器會選擇一些特定的網(wǎng)格單元，允許微波穿過并反射回另一個相似的超材料天線上，生成一個唯一的微波模式。

通過數(shù)千次這樣的試驗，機器學習算法逐漸識別出哪些信息最為關鍵，以及哪些發(fā)送和接收天線的配置最適合獲取這些信息。這樣，發(fā)送器和接收器可以協(xié)同工作，由機器學習算法一同優(yōu)化。這種共同設計的測量和處理方法，可以利用所有關于任務、環(huán)境和測量限制的先驗知識來整體優(yōu)化傳感流程。

與傳統(tǒng)的微波成像系統(tǒng)相比，該機器學習算法通過僅處理一小部分設置，大大減少了所需的測量次數(shù)、時間和計算資源。通常，傳統(tǒng)方法需要數(shù)百或數(shù)千次測量，而該算法只需不到10次測量即可準確識別物體。

雖然該技術是否適用于更復雜的傳感應用還是一個未解之謎，研究團隊已經(jīng)開始探索如何使用這一創(chuàng)新概念來優(yōu)化下一代計算機界面的手勢和手部動作識別。由于這類超材料體積小、成本低且易于制造，它在其他需要微波傳感技術改進的領域也具有潛力，例如隱蔽威脅檢測、無人駕駛車輛的路面物體識別或生活輔助設施的緊急情況監(jiān)控等。