加州大学洛杉矶分校技术进步工程学院 使用可伸缩等离子体编码器的基于神经网络的片上光谱学
学分:加州大学洛杉矶分校技术进步工程学院 加州大学洛杉矶分校萨缪尔工程学院的一组研究人员展示了一种解决老问题的新方法:测量光谱，也称为光谱学
通过利用可扩展、高性价比的纳米制造技术以及人工智能驱动的算法，他们构建并测试了一个比传统光谱仪更紧凑的系统，同时还提供了额外的设计优势
光谱学是生命科学、医学、天体物理学和其他领域中许多应用的中心工具
传统的分光计把光分成不同的颜色，这样就可以测量每种颜色的强度
这导致了一些限制和设计折衷:更精细的光谱分辨率(在可检测的颜色或波长之间有更紧密的间隔)可能需要使用更昂贵的硬件，增加了设备的物理占地面积，并可能牺牲信号强度
对于要求高灵敏度、高光谱分辨率和紧凑系统设计的应用来说，这可能是个问题
它还对超光谱成像提出了进一步的挑战，超光谱成像涉及捕捉图像中每个像素的光谱，这是一种通常用于遥感任务的技术，例如用于评估作物健康或温室气体流行等用途的环境监测
加州大学洛杉矶分校研究人员的方法，由人工智能提供动力，从头开始重新设想光谱学问题
纳米结构芯片不是依靠将光分成组成波长的彩虹，而是使用数百个独特的光谱过滤器并行对光进行光谱解构
这种芯片使用等离子体结构作为光谱编码器，由252块瓷砖组成，每块瓷砖都具有独特的纳米级图案，可以传输不同的光谱
换句话说，待测量的未知光谱被“编码”在这些等离子体拼块的传输中
这种纳米结构编码器是通过压印光刻工艺制造的，这种工艺可以大大降低生产成本，并能够按比例扩大到大批量生产
光谱编码器芯片传输的光是用一种标准的廉价图像传感器捕获的，这种传感器通常用于我们的手机摄像头，产生一幅图像，然后输入到一个神经网络中，该神经网络的任务是从编码的图像信息中重建未知的光谱
这种光谱重建神经网络显示出比其他计算光谱学方法更快地产生精确的结果，产生不到三十分之一毫秒的结果
这种新的人工智能光谱仪框架展示了一条围绕设备成本、尺寸、分辨率和信号强度之间典型权衡的道路
“我们在这里不仅仅是在证明概念设备，”埃多根·奥兹坎说，他是财政大臣的电子和计算机工程教授，也是加州纳米系统研究所(CNSI)的副主任，该研究所的小组进行了这项研究
“我们提出了一个全新的芯片级光谱仪设计框架
神经网络、训练光谱、纳米编码器几何形状和材料；这些组件中的每一个都可以针对不同的应用或特定任务进行优化，从而实现紧凑、经济高效的光谱仪，为给定的样品类型或光谱范围提供高质量的测量结果
" 这种基于人工智能的片上光谱仪框架可以找到各种应用，从气体和毒素的环境监测，到需要光谱信息来区分不同生物标志物的医学诊断
研究人员还注意到，等离子体瓦片可以缩小和细化(像相机像素网格)以执行高光谱成像，这在例如紧凑、轻量级的形状因素至关重要的自主遥感中非常重要
这项工作的其他作者是电气和计算机工程研究人员卡尔文·布朗，阿特姆冈查罗夫，扎卡里
巴拉德和邱云哲，本科生梅森·福特汉姆和阿什利·克莱门斯，电气和计算机工程副教授亚伊尔·里文森
这项研究发表在《美国化学学会纳米》杂志上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
