محققان EPFL با ترکیب موادی هدفمند و کمک گرفتن از شبکههای عصبی مصنوعی، نشان دادند که می‌توان صورت با رزولوشن بالا را به حالت تصویر درآورد. تصویربرداری به ما این امکان را می‌دهد تا با تجزیه و تحلیل میدانی از امواج نوری و صوتی یک شی را به تصویر بکشیم. هرچه طول موج‌ها کوتاه‌تر باشد، وضوح تصویر بالاتر خواهد رفت. با این حال، سطح جزئیات با اندازه طول موج مورد نظر تا حدی در ارتباط است.
پژوهش‌هایی که در این زمینه انجام شده است
محققان آزمایشگاه مهندسی موج EPFL، با موفقیت ثابت كردند كه امواج طولانی و تا حدی غیر دقیق (در این حالت موج صدا) را می‌توانند تا سی برابر با جزییات بیشتری نشان دهند. برای دستیابی به این هدف، تیم تحقیق از ترکیبی از فرا ماده ( عناصر خاص مهندسی شده) و هوش مصنوعی استفاده کردند. تحقیقات آن‌ها، که به تازگی در Physical Review X منتشر شده است، در حال ایجاد امکانات جدید هیجان انگیزی، به ویژه در زمینه‌های تصویربرداری پزشکی و مهندسی زیستی، است.
ایده اصلی این تیم آن بود که دو مورد جداگانه، که قبلاً مرزهای تصویربرداری را تحت تاثیر قرار داده بودند، را با هم همراه کنند. یکی از این موارد فراماده است: عناصر هدفگرایی که می‌توانند دقیقا بر طول موج تمرکز کنند.
کمک گرفتن از شبکه عصبی مصنوعی
فراماده‌ها با جذب تصادفی سیگنال‌ها، به روشی که رمزگشایی از آن‌ها دشوار است، تاثیر خود را از دست می‌دهند. به همین دلیل می‌توان از هوش مصنوعی، یا به طور خاص شبکههای عصبی مصنوعی در این زمینه کمک گرفت. این شبکه‌ها می‌توانند به سرعت و به شکلی کارآمد حتی پیچیده‌ترین اطلاعات را پردازش کنند، اگر چه از یک منحنی یادگیری استفاده می‌کنند.
برای پیشی گرفتن از سطحی که در فیزیک به عنوان حد پراش شناخته می شود این تیم تحقیقاتی، به سرپرستی رومین فلوری، آزمایش بخصوصی را انجام دادند. در این آزمایش آن‌ها ابتدا یک شبکه از 64 بلندگو مینیاتوری را ایجاد کردند که هر یک می‌توانند مطابق با پیکسل‌های موجود در تصویر فعال شوند.
سپس آن‌ها از شبکه برای بازتولید تصاویر صوتی از اعداد صفر تا نه با جزئیات مکانی کاملاً دقیق استفاده کردند. تصاویر حاصل از اعداد وارد شده به شبکه از یک بانک اطلاعاتی در حدود 70،000 نمونه دست نوشته تهیه شده است.
محققان تیم در این شبکه یک کیسه حاوی 39 تشدید کننده Helmholtz (با شعاع 10 سانتی متر با یک سوراخ در انتها) را قرار دادند تا یک فراماده را تشکیل دهند. صدای تولید شده توسط شبکه از طریق فراماده انتقال داده شده و توسط چهار میکروفن که با فاصله از آن قرار گرفته‌اند، پخش می‌شود.
الگوریتم‌ها سپس به منظور یادگیری نحوه تشخیص و ترسیم مجدد تصاویر شماره‌های اصلی، صدای پخش شده توسط میکروفون‌ها را رمزگشایی می‌کنند.
یک مشکل آموزنده
این تیم در این آزمایش تا 90% به موفقیت رسیدند.
رومین فلوری می‌گوید: “به وسیله تولید تصاویر با رزولوشن تنها چند سانتی متر، با استفاده از موج صوتی که طول آن تقریباً یک متر بود، از مرز پراش پیشتر رفتیم! علاوه بر آن، گرایش فراماده به جذب سیگنال‌ها، که یک نقطه ضعف بزرگ تلقی می‌شد، با تکامل شبکههای عصبی مصنوعی، به یک مزیت تبدیل شد. ما دریافتیم که هرچه جذب بیشتر شود به نفع ما خواهد بود.”
در زمینه تصویربرداری پزشکی، استفاده از امواج طولانی برای دیدن اشیاء بسیار کوچک می‌تواند یک موفقیت بزرگ باشد. وی ادامه داد: “امواج طولانی به این معنی است که پزشکان می‌توانند از فرکانس‌های بسیار پایین‌تری هم استفاده کنند.
در نتیجه روش‌های تصویربرداری صوتی حتی برای تصویربرداری از بافت استخوانی متراکم هم مؤثر است. برای این نوع کاربردها، شبکههای عصبی را تنها به منظور شناسایی یا تکثیر اعداد آموزش نمی‌دهیم، بلکه برای شناسایی ساختارهای ارگانیک نیز آموزش می‌دهیم”.
