传感系统在我们生活的许多领域变得越来越普遍，例如环境辅助医疗、自动驾驶和非接触式人机交互。然而，这些系统通常缺乏智能：它们倾向于收集所有可用信息，即使这些信息不相关。这不仅会导致侵犯隐私，还会在数据处理过程中浪费时间、精力和计算资源。

为了解决这个问题，法国国家科学研究中心的研究人员提出了智能电磁感应的概念，它使用机器学习技术生成学习的照明模式，以便在测量过程中预先选择相关细节。可编程超表面被配置为生成学习模式，以显着减少的测量次数执行高精度感测(例如，姿势识别)。

但实际应用中的测量过程不可避免地会受到各种噪声的影响。噪声从根本上伴随着任何测量。在辐射电磁信号必须保持微弱的室内环境中，信噪比可能特别低。

因此，Chenqi Qian 和 Philipp del Hougne 进一步研究并提出了一种智能可编程计算元成像仪，它不仅可以针对特定的信息提取任务(如物体识别)定制照明模式，还可以适应不同类型和级别的噪声。他们于2022 年 12 月 2 日在智能计算上发表了一篇关于他们成果的受邀研究文章。

研究人员说：“我们假设智能可编程元成像器用于从场景中有效提取任务特定信息的最佳相干照明模式将在很大程度上取决于噪声的类型和水平，”并指出噪声可能深刻地影响了最佳元成像器配置，因为除了限制允许测量数量的延迟限制之外，噪声还限制了可以从场景中提取的信息量。

“在这篇论文中，我们系统地探索了延迟限制和噪声的结合如何影响智能多镜头可编程元成像器，”研究人员说。为了评估他们的假设，研究人员考虑了一个原型对象识别问题，为此他们提出了一个微波计算可编程元成像系统。此类系统可部署在室内监控、地球观测等领域。

在他们考虑的系统中，一个微波动态超表面天线 (DMA) 使用单个发射器向场景辐射一系列相干波前，第二个 DMA 使用单个检测器相干地捕获反射波。制定了可区分的端到端信息流管道，其中包括可编程的物理测量过程，包括噪声以及后续的数字处理层。

对于所有基于波的信息提取问题，包括成像、传感、定位和物体识别，这条管道的基本要素都是相同的。“唯一显着的区别在于特定于任务的成本函数，该函数将针对良好的性能进行优化，”他们解释说。

因此，作者应用于对象识别的相同方法也可以用于参数估计问题，例如定位。“这条管道使我们能够联合逆向设计可编程物理权重(决定相干场景照明的 DMA 配置)和可训练的数字权重。”

正是这种联合优化——特定于任务的可训练物理参数和可训练数字参数的端到端联合优化——赋予测量过程任务意识，这样它就可以区分任务相关和任务无关的信息模拟域中的空气。

研究人员测试了这种可编程元成像器的性能，该成像器可生成一系列任务特定和噪声特定的场景照明，并发现当可从场景中提取的信息因延迟而受到限制时，它优于具有随机配置的传统压缩传感约束和/或噪音。信号无关和信号相关加性噪声类型的性能增益都得到了证明。尽管该方法具有“黑盒”性质，但发现学习到的照明模式的“宏观”特征，即它们的相互重叠和强度，可以直观地理解。

根据研究人员的说法，向自适应检测噪声类型和级别并相应地更新其使用的 DMA 配置序列的系统过渡非常简单，无需额外的人工输入。“我们真诚地希望我们的结果可以转化为基于其他波动现象(例如，光学、声学、弹性和量子力学)和/或其他类型的现场可编程测量硬件的信息提取问题，”他们总结道.