声音在空中制作了一幅无形的画，人们需要一些手段才能让它显现出来。听起来有点天方夜谭，能实现吗？有能力的！近日，瑞士洛桑联邦理工学院波浪工程实验室（EPFL）的一个团队利用超材料结合深度学习技术的创新理念实现了这一过程。2020年8月7日，该研究团队的研究成果以“Far-FieldSubwavelengthAcousticImagingbyDeepLearning（基于深度学习的远场声学亚波长成像）”为题发表在国际顶级物理学期刊PhysicalReviewX上。衍射极限带来的挑战团队的尝试从物理学中的“衍射极限”开始。衍射是我们日常生活中都会遇到的一种物理现象——当波遇到障碍物时，它会偏离原来的直线。在此基础上，衍射极限是指由于衍射现象的局限性，物点无法被光学系统成像，无法得到理想的像点。利用物体的成像，人们可以对其传播或辐射的光波和声波进行所谓的远场分析，以描述物体本身。要实现这一目标，一个更关键的因素是成像分辨率。分辨率受波长限制，波长越短，分辨率越好。也就是说，正是由于衍射极限的存在，物体的成像质量才会受到影响。因此，在远场观察和识别尺寸远小于光波长的物体是一项具有挑战性的任务。尽管科学家们此前已经设计出多种方法来克服这一局限性，但这些方法仍然存在一些问题，例如：侵入式标记方法：需要复杂且昂贵的光学设备，图像后处理过程繁琐；共振超材料透镜方法：虽然不需要标记且成像分辨率高，但共振金属材料对吸收损耗敏感，这在很大程度上阻碍了它们的实际应用。超材料与深度学习的结合对于任何科学研究来说，在发现一个问题之后，都需要提出一个研究课题，并试图给出解决方案。研究团队在论文中表示：机器学习在不断进步，不同领域的科学家开始尝试通过深度学习进行研究，例如工程学、生物学、医学、量子物理学等。近期深度学习成功的例子年包括医学图像分析、语音识别、图像分类、逆成像问题和各种复杂的分析问题。事实上，由多个具有非线性模块的处理层组成的深度神经网络可以通过自调整每一层的内部参数来发现和学习隐藏在复杂数据中的结构，而无需人工干预。受此启发，波浪工程实验室研究团队的想法是将超材料与深度学习技术相结合，将衍射极限由劣势变为优势，为无标记成像技术的新应用开辟新路径。雷锋网了解到，超材料是指一类自然界不存在，人工制造的非生命复合材料或结构。在这项研究中，该团队使用了有损耗的谐振金属（根据设计，该团队有意设计）。[用于亚波长图像重建和识别的实验装置]研究团队将金属放置在亚波长输入图像（subwavelengthinputimages）附近，并训练了一个神经网络来直接重建和分类图像。其中，金属的吸收损失是有效学习的关键。具体原理如下图所示：类似于数字“5”的形状是亚波长声源。如a部分所示，放置在远场的麦克风阵列捕获的信号不包含任何有关声源亚波长细节的信息，换句话说，无论使用何种信号处理策略，都无法成像。如b部分所示，随机插入一组亚波长亥姆霍兹共振器后，有关亚波长细节的信息会辐射到远场。如c部分所示，该团队将麦克风阵列捕获的远场幅度和相位输入神经网络。该团队使用了两种不同类型的神经网络，一种是用于图像重建的U-net型卷积神经网络，另一种是用于图像分类的多层并行CNN。分辨率和分类精度显着提高实验结果表明，在没有金属元素的情况下，U-net型卷积神经网络难以重建图像；而多层并行CNN的分类性能比较高，近场和远场分别达到67.5%和57.5%。添加n=29个有损谐振器后，远场分类精度从57.5%提高到74%，尽管图像重建质量仍然较低（下图中第一行）。在加入n=302个有损谐振器的情况下，不仅整体分类准确率提高到84%，亚波长图像的重建也非常准确，分辨率提高到30倍（下图第二行）.在初步证明神经网络能够从远场记录的幅度-相位分布中恢复原始亚波长图像后，该小组有了一个新目标：证明该网络在新数据库上快速重新学习的能力。据了解，研究团队创建了一个包含E、F、L和P四个字母的600个训练样本和200个测试样本的新数据集，然后在这个新的、更小的数据集U-net型卷积神经网络上重新训练，这需要神经网络对数据集中的未知字母进行分类和重构。如上图所示，重新学习的网络实现了≥0.94的图像保真度（此处为输入字母与重建字母的差异），表明该方法具有很强的适应性，可以在学习新数据类型时使用。效率更高，不受输入数据多样性的限制。该论文的合著者之一罗曼·弗勒里(RomainFleury)强调了这种方法的独特性：通过使用长度约为一米的声波生成分辨率仅为几厘米的图像，我们远远超出了衍射极限。同时，超材料的信号吸收曾经被认为是一个很大的缺点，但在与神经网络结合时却变成了一个优势。事实上，该团队还认为，该方法可以应用于声学图像分析、特征检测、物体分类，或作为一种新的无标记声学传感工具应用于生物医学应用。正如该论文的共同作者之一RomainFleury所说：在医学成像领域，使用长波长观察非常小的物体将是一个重大突破。长波意味着即使面对致密的骨组织，医生也可以使用较低的频率获得有效的声学成像。
