Cientistas da Universidade do Sudeste da China desenvolveram um método inovador que utiliza aprendizagem profunda para controlar ondas eletromagnéticas de forma rápida e fácil. Este progresso concentra-se em metassuperfícies programáveis – materiais ultrafinos projetados para manipular ondas como luz e ondas de rádio. As descobertas, lideradas pelo professor Tie Jun Qi, foram publicadas na iScience.
Metasuperfícies programáveis são conhecidas por sua capacidade de moldar ondas eletromagnéticas, mas projetar padrões para controlá-las sempre foi uma tarefa lenta e desafiadora. Ondas eletromagnéticas são formas de energia como luz ou sinais de rádio que viajam pelo espaço. “Nosso modelo pode facilmente explicar esses padrões, especificando como deveria ser a onda”, explicou o professor Cui. Seu método combina técnicas sofisticadas de aprendizado profundo, um tipo de inteligência artificial que treina computadores para reconhecer padrões e tomar decisões, com um modelo físico de como funcionam as ondas eletromagnéticas. Essa abordagem garante que os resultados sejam precisos e práticos. Os pesquisadores demonstraram seu sucesso em experimentos, mostrando que funciona bem tanto para formas de onda simples quanto complexas.
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 reparadas depois de feitas, limitando a sua utilidade. A invenção de metassuperfícies programáveis permitiu que os engenheiros fizessem essas mudanças eletronicamente, possibilitando uma gama muito mais ampla de aplicações. No entanto, descobrir como gerar as melhores formas de onda requer processos complexos e demorados, muitas vezes envolvendo métodos iterativos nos quais as soluções são gradualmente refinadas. Esses métodos são impraticáveis para aplicações do mundo real. O novo método resolve isso usando aprendizagem profunda para contornar esses desafios tradicionais.
O novo sistema tem muitas vantagens. Funciona quase em tempo real, o que significa que responde rapidamente às mudanças nas necessidades. Ao incorporar princípios físicos em modelos de aprendizagem profunda, os métodos mais antigos não requerem grandes quantidades de dados de treinamento ou simulações. Os dados de treinamento representam exemplos a partir dos quais os sistemas de inteligência artificial aprendem a fazer previsões precisas. O processo utiliza um método de aprendizagem profunda para calcular a disposição dos elementos da superfície e um modelo físico simples para prever como as ondas se comportarão. Experimentos mostraram que o computador poderia gerar padrões em instantes, uma melhoria significativa em relação às técnicas tradicionais, que podem levar horas.
Para compreender o quão bem o seu método funciona, os investigadores compararam-no com uma abordagem mais antiga chamada otimização de enxame binário, uma técnica computacional inspirada no comportamento coletivo de animais como pássaros ou peixes quando procuram comida. Seu modelo de aprendizado profundo não só funcionou muito mais rápido, mas também gerou formas de onda muito úteis. Ao eliminar a preparação redundante de dados e utilizar um processo mais rápido, esta abordagem é mais prática e poderosa do que as soluções anteriores.
“Os resultados de nossos experimentos mostram que este método pode moldar formas de onda de forma confiável para aplicações em tempo real, como varredura de objetos ou melhoria de comunicações sem fio”, disse o professor Qi.
Esta tecnologia tem potencial para uma ampla gama de aplicações, incluindo sensores inteligentes, dispositivos que coletam e respondem a dados ambientais, sistemas de vigilância e outras aplicações que requerem ajuste rápido às ondas eletromagnéticas. A equipe também mostrou como ele pode ser utilizado em situações que exigem atualizações constantes, como seguir um alvo em movimento com energia concentrada.
Apesar do sucesso, os pesquisadores reconheceram que ainda há áreas para melhorias. Por exemplo, o seu modelo assume que as mudanças nos componentes da superfície afetam apenas a fase ou o tempo da onda, sem considerar interações mais complexas. Esta simplificação funciona bem, mas pode ignorar alguns detalhes que poderiam melhorar a precisão. Os pesquisadores estão explorando maneiras de refinar seu sistema para obter um desempenho ainda melhor.
Este avanço representa um avanço significativo na tecnologia de controle de ondas eletromagnéticas. Ao tornar o processo mais rápido, fácil e adaptável, esta pesquisa abre as portas para novas aplicações em comunicação, detecção e muito mais.
Nota de diário
Jiangnan Bao, Weihan Li, Ziqi Huang, Wen Ming Yu, Che Liu e Tie Jun Qi. “Uma rede de aprendizagem profunda não supervisionada fisicamente motivada para formação de feixe programável baseada em metassuperfícies.” iScience, 2024. DOI: https://doi.org/10.1016/j.isci.2024.110595
Sobre os professores
Gravata Jun Qi (Fellow, IEEE) recebeu bacharelado, mestrado e doutorado. diplomas da Xidian University, Xi’an University, China em 1987, 1990 e 1993, respectivamente. Em março de 1993, ingressou no Departamento de Engenharia Eletromagnética da Universidade Xidian, e foi promovido a Professor Associado em novembro de 1993. De 1995 a 1997, Karruls foi pesquisador associado na Universidade Alemã Fur Hochstfrequenchtechnik und Elektronik. Em julho de 1997, ingressou no Centro de Eletromagnetismo Computacional, Departamento de Engenharia Elétrica e de Computação, Universidade de Illinois, Champaign, IL, EUA, primeiro como Pesquisador Associado de Pós-Doutorado e mais tarde como Cientista Pesquisador. Em setembro de 2001, foi Professor Cheung-Kang no Departamento de Engenharia de Rádio da Southeast University em Nanjing, China. Em janeiro de 2018, tornou-se professor titular da Southeastern University. Ele é um acadêmico da Academia Chinesa de Ciências. Primeiro autor de Metamateriais: Teoria, Design e Aplicações (Springer, novembro de 2009), Metamateriais: Além de Cristais, Não Cristais e Quasicristais (CRC Press, março de 2016) e Metamateriais de Informação (Cambridge University Press, 2016). Ele é autor ou coautor de mais de 600 artigos de periódicos revisados por pares, que foram citados 62.000 vezes (fator H 122), e licenciou mais de 150 patentes. Sua pesquisa foi selecionada como uma das mais emocionantes pesquisas ópticas revisadas por pares em óptica pelo Optics and Photonics News Journal em 2016, Ten Breakthroughs in China Science em 2010, e muitos destaques de pesquisa em revistas em série. Seu trabalho foi amplamente divulgado pela Nature News, MIT Technology Review, Scientific American, Discover e New Scientists. Ele recebeu uma bolsa de pesquisa em 1995 da Fundação Alexander von Humboldt, Bonn, Alemanha, e em 1999 recebeu o Prêmio Jovem Cientista da International Radio Science Society.
Diga Liu Recebeu B.Eng. licenciatura em Ciência e Tecnologia da Informação e Ph.D. diploma da Southeast University, Nanjing, China em 2015 e 2022, respectivamente. Atualmente é Jishan Postdoctoral Fellow na Southeast University. Ele foi selecionado na lista dos 2% melhores cientistas do mundo (redes e telecomunicações) 2024, publicada pelo Elsevier Publishing Group. Seus interesses de pesquisa incluem eletromagnetismo computacional, metamateriais e aprendizagem profunda. Ele está empenhado em aplicar tecnologia de inteligência artificial para resolver problemas eletromagnéticos, incluindo imagens ISAR, imagens holográficas, imagens de dispersão inversa, design automático de antenas e rede neural de difração.
