在過去的十年中，光學傳感任務變得更加苛刻。因此，構建小型化、價格低，且可集成在芯片上以支持智能手機、自動駕駛汽車、機器人和無人機的移動應用的傳感器變得至關重要。此外，算法在傳感中也發揮著越來越重要的作用，許多最近的研發都利用了機器學習算法。

據外媒報道，耶魯大學（Yale University）電氣工程夏豐年（Fengnian Xia）教授實驗室的研究人員推出新概念：幾何光學深度傳感。該概念利用設備技術、凝聚態物理學和深度學習方面的創新，有可能從以硬件為導向轉向以軟件為導向的方法。

相關論文已發布于期刊《Science》，且該論文由德克薩斯大學（University of Texas）、以色列巴伊蘭大學（Bar-Ilan University）和奧地利維也納科技大學（Vienna University of Technology）的合作者共同撰寫。在這個新概念中，“幾何”表示傳感器輸出由多元素數據組成，可以將其視為高維向量空間中的點。“深度”突出了深度神經網絡在該傳感方案中的關鍵作用。

該論文的共同作者、夏豐年實驗室前博士生Shaofan Yuan指出，傳統的光學傳感需要多個光學設備才能完全捕獲光束的未知特性。其中包括用于測量光的強度、偏振、波長和空間分布的不同設備。所有這些設備加起來構成了一個龐大而昂貴的系統。

Shaofan Yuan表示：“過去，人們為使光學傳感設備變得緊湊和多功能做出了很多努力，先進的機器學習算法加速了使用小型化設備的光學傳感解決方案。未來的光學傳感技術將是一個高度交叉的領域。該領域將受益于設備結構的創新、新興光學和光電現象的演示，以及機器學習算法的進步。”

該論文的另一位共同作者、夏豐年實驗室博士生Chao Ma指出，設備可重構性是使用單個設備實現復雜光學傳感的關鍵。

Chao Ma表示：“可以在不同狀態下運行的單個可重構設備對于生成多元素光響應數據至關重要，有時以隱式方式捕獲光的多種未知特性，然后可以使用機器學習算法來解釋數據。”

該方案涉及使用可重構傳感器和深度神經網絡進行信息編碼/解碼過程。也就是說，網絡已經用已知的光屬性進行了訓練，并且可以從可重構傳感器的多元素輸出中提取正確的信息。夏教授指出，該方案解釋多元素光響應的方式與圖像識別程序的方式很相似。

夏教授表示：“如果你想讓它識別一幅圖像，無論是狗、貓、人還是汽車，你都可以收集大量包含已知信息的照片，然后對其進行訓練。我們只要給神經網絡一個未知的數字即可。”

研究人員指出，該方案的基本原理不僅適用于光，還適用于其他領域，例如感應磁場。夏教授稱其研究團隊目前正在研究潛在的應用，其中包括使用這種集成傳感設備使自動駕駛汽車更安全。