Cientistas da Universidade do Sudeste da China desenvolveram um método inovador para usar a aprendizagem profunda para controlar ondas eletromagnéticas de forma mais rápida e fácil. Este avanço se concentra em metassuperfícies programáveis – materiais ultrafinos projetados para manipular ondas como luz e ondas de rádio. Os resultados da pesquisa liderada pelo professor Cui Tiejun foram publicados na iScience.
Metasuperfícies programáveis são conhecidas por sua capacidade de moldar ondas eletromagnéticas, mas projetar padrões que controlem ondas eletromagnéticas tem sido uma tarefa lenta e desafiadora. Ondas eletromagnéticas são formas de energia, como luz ou sinais de rádio, que viajam pelo espaço. “Nosso modelo pode calcular esses padrões quase instantaneamente, simplesmente especificando como deveriam ser as ondas”, explica o professor Cui. A sua abordagem combina técnicas de aprendizagem profunda de ponta – um tipo de inteligência artificial que treina computadores para reconhecer padrões e tomar decisões – com modelos físicos do comportamento das ondas eletromagnéticas. Essa abordagem garante que os resultados sejam precisos e práticos. Os pesquisadores demonstraram seu sucesso em testes, mostrando que funciona tanto para padrões de ondas simples quanto complexos.
Metasuperfícies são essencialmente materiais ultrafinos projetados para interagir com ondas eletromagnéticas de maneira precisa. Ao contrário dos materiais tradicionais, eles podem ser programados para realizar tarefas específicas, como focar sinais ou filtrar frequências indesejadas. Anteriormente, estas superfícies não podiam ser ajustadas após a fabricação, limitando a sua utilidade. A invenção de metassuperfícies programáveis permite que os engenheiros façam esses ajustes eletronicamente, possibilitando uma gama mais ampla de aplicações. No entanto, descobrir como criar a forma de onda ideal requer um processo complexo e demorado que muitas vezes envolve uma abordagem iterativa para refinar gradualmente a solução. Esses métodos são impraticáveis para aplicações do mundo real. Novos métodos resolvem esse problema usando aprendizado profundo para contornar esses desafios tradicionais.
O novo sistema tem vários benefícios. Ele funciona quase em tempo real, o que significa que pode responder rapidamente às mudanças nas necessidades. Ao incorporar princípios físicos em modelos de aprendizagem profunda, também não requer as grandes quantidades de dados de treinamento rotulados ou simulações exigidas por métodos mais antigos. Os dados de treinamento referem-se aos exemplos que o sistema de IA aprende para fazer previsões precisas. O processo utiliza sistemas de aprendizagem profunda para calcular a disposição dos componentes da superfície e modelos físicos simplificados para prever o comportamento das ondas. Os testes mostraram que o sistema pode produzir padrões num instante, uma melhoria significativa em relação às técnicas tradicionais que podem levar horas.
Para ver se o seu método funcionava bem, os investigadores compararam-no com um método mais antigo chamado otimização de enxame binário, uma técnica computacional inspirada no comportamento coletivo de animais como pássaros ou peixes enquanto procuram comida. Eles descobriram que seu modelo de aprendizado profundo não apenas funcionava mais rápido, mas também criava padrões de ondas mais eficientes. Ao eliminar a preparação desnecessária de dados e utilizar processos mais rápidos, esta abordagem é mais prática e poderosa do que as soluções anteriores.
“Nossos resultados experimentais mostram que este método pode projetar formas de onda de forma confiável para aplicações em tempo real, como varredura de objetos ou melhoria de comunicações sem fio”, disse o professor Cui.
A tecnologia tem potencial para uma ampla gama de utilizações, incluindo sensores inteligentes, dispositivos que coletam e respondem a dados ambientais, sistemas de rastreamento e outras aplicações que exigem ajustes rápidos às ondas eletromagnéticas. A equipe também mostrou como ele poderia ser usado em cenários que exigem atualizações constantes, como o rastreamento de alvos móveis com feixes de energia focados.
Apesar do sucesso, os pesquisadores admitem que ainda há áreas para melhorias. Por exemplo, o seu modelo assume que as mudanças na composição da superfície afetam apenas a fase ou o tempo das ondas, sem levar em conta interações mais complexas. Esta simplificação funciona bem, mas pode ignorar alguns detalhes que poderiam melhorar a precisão. Os pesquisadores estão explorando maneiras de melhorar o sistema para obter melhor desempenho.
Esta descoberta representa um grande avanço na tecnologia de controle de ondas eletromagnéticas. Ao tornar este processo mais rápido, fácil e adaptável, esta pesquisa abre as portas para novas aplicações em comunicações, detecção e muito mais.
Referência do diário
Bao Jianghan, Li Weihan, Huang Siqi, Yu Wenming, Liu Che, Cui Tiejun. “Redes de aprendizagem profunda não supervisionadas orientadas pela física para formação de feixes programáveis baseados em metassuperfícies.” iScience, 2024. doi: https://doi.org/10.1016/j.isci.2024.110595
Sobre o autor
Gravata Jun Cui (IEEE Fellow) obteve bacharelado, mestrado e doutorado. Ele recebeu seu doutorado pela Universidade de Ciência Eletrônica e Tecnologia de Xi’an da China em 1987, 1990 e 1993, respectivamente. Ele ingressou no Departamento de Engenharia Eletromagnética da Universidade de Ciência e Tecnologia Eletrônica de Xi’an em março de 1993 e foi promovido a professor associado em novembro de 1993. De 1995 a 1997, trabalhou como pesquisador no Instituto de Tecnologia Eletrônica de Alta Frequência (IHE) na Universidade de Karlsruhe, Alemanha. Em julho de 1997, ingressou no Centro de Eletromagnética Computacional do Departamento de Engenharia Elétrica e de Computação da Universidade de Illinois em Urbana-Champaign, primeiro como pesquisador de pós-doutorado e depois como cientista pesquisador. Em setembro de 2001, foi nomeado Professor Changjiang no Departamento de Engenharia de Rádio da Southeast University. Em janeiro de 2018, atuou como professor-chefe da Southeast University. Ele é um acadêmico da Academia Chinesa de Ciências. Ele é o primeiro autor de Metamateriais: Teoria, Design e Aplicações (Springer, novembro de 2009), Metamateriais: Além dos Cristais, Amorfos e Quasicristais (CRC Press, março de 2016) e Metamateriais Informacionais (Cambridge University Press, 2021). Ele é autor ou coautor de mais de 600 artigos de periódicos revisados por pares, foi citado mais de 62.000 vezes (fator H 122) e recebeu mais de 150 patentes. Sua pesquisa foi selecionada como uma das mais emocionantes pesquisas ópticas revisadas por pares em 2016 pela revista Optics and Photonics News, uma das dez principais descobertas na ciência chinesa em 2010, e selecionada como um “destaque de pesquisa” por uma série de periódicos. Seu trabalho foi amplamente divulgado em Natural News, MIT Technology Review, Scientific American, Discover e New Scientist. Em 1995, recebeu uma bolsa de pesquisa da Fundação Alexander von Humboldt em Bonn, Alemanha, e em 1999, recebeu o Prêmio Jovem Cientista da União Internacional de Ciências de Rádio.
Che Liu Obtenha um diploma de bacharel em engenharia. Bacharelado e doutorado. graduação em Ciência e Tecnologia da Informação. diploma da Southeast University, Nanjing, China, em 2015 e 2022, respectivamente. Atualmente, ele é pós-doutorado em Zhishan na Southeast University. Selecionado na lista de 2024 dos 2% melhores cientistas do mundo (redes e telecomunicações), divulgada pelo Elsevier Publishing Group. Seus interesses de pesquisa incluem eletromagnetismo computacional, metamateriais e aprendizado profundo. Comprometido em usar tecnologia de inteligência artificial para resolver problemas eletromagnéticos, incluindo imagens ISAR, imagens holográficas, imagens de dispersão inversa, design automático de antenas, redes neurais de difração, etc.
