Французские физики придумали способ, с помощью которого можно превратить офис с Wi-Fi в аналоговый компьютер. Для этого ученые покрыли стенки офиса мета-поверхностями, которые изменяют граничные условия для отражающихся волн, и настроили отклик антенн, создающих и измеряющих электромагнитное поле. В результате исследователи смогли реализовать на такой системе дискретное двумерное преобразование Фурье размером 4×4. Статья опубликована в Physical Review X и находится в открытом доступе, кратко о ней сообщает Physics.
Практически все современные компьютеры являются цифровыми (ЭВМ), то есть воспринимают и обрабатывают информацию только в виде набора нолей и единиц. Все сложные вычисления, которые выполняют такие компьютеры, сводятся к набору элементарных операций, совершаемых за один такт процессора, — сложению содержимого двух ячеек памяти, битовому сдвигу, копированию информации из одной ячейки в другую и так далее. За секунду процессор совершает более миллиарда элементарных операций, поэтому такой способ вычислений оказывается очень эффективным.
Тем не менее, существуют и другие способы. Например, можно построить машину, которая обрабатывает непрерывный входной сигнал (давление, напряжение, силу тока) с помощью различных механических или электрических элементов. Такие компьютеры называют аналоговыми (АВМ). С помощью аналоговых компьютеров можно интегрировать функции, решать дифференциальные уравнения и предсказывать положения планет на небесной сфере. В отличие от ЭВМ, АВМ нельзя перепрограммировать, и это является их главным недостатком. Тем не менее, до 60-х годов ученые и военные широко использовали аналоговые компьютеры, поскольку они решали задачи быстрее цифровых вычислителей. После этого вычислительная мощность ЭВМ превысила мощность АВМ. Более того, благодаря закону Мура производительность ЭВМ каждые два года удваивалась, а потому необходимость в аналоговых компьютерах отпала. Однако в настоящее время рост производительности ЭВМ замедлился из-за температурных ограничений — чем плотнее транзисторы скомпонованы на кремниевом чипе, тем больше тепла они выделяют и тем сложнее его отводить. После превышения определенного порога процессор начинает пропускать такты, и его производительность снижается. Поэтому физики снова начинают вспоминать про аналоговые компьютеры.
В частности, аналоговые компьютеры, работающие с электромагнитными волнами, очень эффективно обрабатывают изображения и перемножают матрицы. Простейший пример такого компьютера — это обычная собирающая линза, которая совершает пространственное преобразование Фурье. Правда, эта система громоздка и неудобна. Тем не менее, эти недостатки можно преодолеть с помощью метаматериалов — материалов, которые состоят из большого числа упорядоченных микроскопических структур (метаатомов). Выстраивая эти структуры в определенном порядке, можно преобразовать падающую волну по заданному закону. Поэтому можно сказать, что метаматериал «обрабатывает» информацию, записанную в электромагнитных волнах. К сожалению, чтобы изготовить такой метаматериал, нужно очень точно разместить метаатомы на подложке. Поэтому «вычислительные метаматериалы» пока еще далеки от практических применений.
Физики Филипп дель Унье (Philipp del Hougne) и Жофруа Лерозе (Geoffroy Lerosey) разработали принципиально другой подход, который позволяет реализовать произвольные матричные операторы без использования сложных метаматериалов. Для этого они предложили перенести «настройку» на электромагнитные волны. В качестве примера исследователи реализовали дискретное пространственное преобразование Фурье размером 4×4 (четыре значения абсциссы и ординаты).
Суть предложенного физиками метода заключается в следующем. Электромагнитное поле удобно описывать с помощью корреляционной функции (функции Грина), которая показывает, с какой вероятностью поле переходит между заданными конфигурациями. Измерить такие корреляции можно с помощью двух антенн, помещаемых в различные точки. Когда волна «живет» внутри замкнутой полости с проводящими стенками, ее корреляционную функцию можно разложить по собственным колебаниям полости. С другой стороны, форму и частоту этих колебаний можно изменять, накладывая на стенки полости граничные условия. Лерозе и дель Унье предложили зафиксировать несколько антенн внутри полости, а затем подобрать граничные условия таким образом, чтобы при заданных корреляциях между сигналом антенн измеряемый ими отклик (то есть корреляционные функции) вел себя заданным образом. В этом случае систему можно рассматривать как линейный оператор, преобразующий вектор из n×n состояний, где n — число антенн.
Чтобы показать, что предложенный метод можно реализовать на практике, исследователи построили небольшой (метр на метр) макет офиса с проводящими стенками. Чтобы воспроизвести реальные условия, ученые заполнили макет офисной мебелью и разместили на его стенках поглотители, которые уменьшали добротность резонатора — как и в жизни, в макете могло возбуждать чуть больше ста собственных мод на частоте порядка 2,5 гигагерц. На стенках офиса физики разместили метаповерхности, состоящие из 88 пластинок. В зависимости от ориентации пластинка могла как полностью отражать, так и полностью поглощать электромагнитную волну (условия Дирихле и Неймана, соответственно). Частота, на которой работали антенны, совпадала с частотой Wi-Fi (~2,5 гигагерц). Изначально собственные функции резонатора были неизвестны, поскольку расстановка мебели и поглотителей была произвольной, однако после нескольких сотен прогонов, сопровождаемых переворачиванием пластинок, ученым удалось настроить систему и реализовать пространственное дискретное преобразование Фурье. Погрешности вычисления коэффициентов Фурье при этом не превышали четырех процентов.
Наконец, ученые проверили построенную систему на реальных задачах. Для этого исследователи сделали с ее помощью преобразование Фурье двух черно-белых изображений — фотографии Эйфелевой башни и Собора Парижской Богоматери. Как и ожидалось, в пределах указанной точности вычисленные коэффициенты совпали с точными значениями. Кроме того, система смогла ухватить основные характеристики изображений: спектр изображения Собора был более однородным, поскольку картинка содержала меньше деталей.
Авторы статьи отмечают, что матричные операторы широко используются при работе искусственной нейронной сети — а именно, обучение сети основано на настраивании параметров нейронных слоев, каждый из которых состоит из линейного оператора и нелинейной функции активации. Поэтому разработанный ими способ аналоговых вычислений, который позволяет реализовать произвольные линейные операторы, имеет очевидное практическое применение. По оценкам ученых, производительность предложенной ими схемы превзойдет цифровые компьютеры при размере n ~ 30. Кроме того, она будет потреблять в 25 раз меньше энергии.
Еще один широко известный пример аналогового вычислителя — это универсальный квантовый компьютер. Так же как и вычислители на основе электромагнитных волн, квантовый компьютер работает с амплитудами и фазами волновых функций, только длина этих волн во много раз меньше. В настоящее время ученым уже удалось построить квантовые компьютеры, содержащие порядка ста кубитов, однако до практической реализации вычислителя с автоматической корректировкой ошибок пока еще далеко. Подробнее про устройство квантовых компьютеров и последние достижения физиков можно прочитать в материалах «Квантовая азбука: компьютер», «Сколько ждать квантового превосходства?» и «Пятьдесят кубитов и еще один». Кроме того, вы можете разобраться в этой теме с помощью игры The Quantum Game, выпущенной польским разработчиком Петром Мигдалом (Piotr Migdal).
Дмитрий Трунин
А также измерит расстояние до них
Американские ученые разработали технологию пассивного теплового зрения HADAR, которая по инфракрасному изображению получает информацию о температуре, материалах и текстуре поверхности объектов, их излучательной способности, а также умеет измерять расстояние. Технология позволяет в ночных условиях получать изображение, сопоставимое по качеству со стереоскопическими изображениями, получаемыми обычными RGB камерами при дневном освещении. Статья опубликована в журнале Nature. Для автономной навигации и взаимодействия с людьми роботам и беспилотникам нужна информация об окружении, которую они получают с помощью камер, лидаров, сонаров или радаров. Однако обычные камеры зависят от условий освещенности и плохо работают в ночное время и при плохой погоде. Кроме этого информация, получаемая с камер не содержит физического контекста, что может приводить к некорректной работе нейросетевых алгоритмов автопилота, который, к примеру, не может отличить настоящего человека от манекена. Активные сенсоры, такие как лидары и радары, при резком росте их числа начинают взаимно влиять друг на друга. Выходом могло бы стать использование в условиях недостаточной видимости камер, работающих в инфракрасном диапазоне. Однако из-за так называемого «эффекта призрачности» получаемые тепловизором изображения обычно выглядят как пятна без четкой текстуры. Это связано с тем, что поверх отражающихся от объекта инфракрасных лучей, которые несут информацию об особенностях его рельефа, накладывается его собственное тепловое излучение, которое засвечивает эту полезную информацию. Группа ученых под руководством Зубин Джакоб (Zubin Jacob) из Университета Пердью смогла справиться с этой проблемой. Они разработали технологию под названием HADAR (акроним от слов heat-assisted detection and ranging), которая с помощью машинного обучения извлекает из изображений, полученных в инфракрасном диапазоне, информацию о температуре объектов, излучательной способности материалов, из которых они состоят, а также их физической текстуре. Кроме того, технология позволяет определять расстояние до объектов на изображении. Выделение информации о собственном излучении объектов позволяет избавиться от «эффекта призрачности» и получить информацию о текстуре. Для этого авторы используют данные из библиотеки материалов, которая содержит информацию об их излучательной способности. Инфракрасное изображение фиксируется с помощью гиперспектральной камеры, после чего данные поступают на вход нейросетевой модели, которая производит декомпозицию исходных данных, выделяя из них информацию о температуре, собственном излучении и текстуре. Для обучения алгоритма исследователи использовали как настоящие изображения, полученные с помощью камеры, так и множество сгенерированных трехмерных сцен. Возможности технологии демонстрирует одна из сцен, на которой при слабом освещении запечатлен автомобиль черного цвета и человек, рядом с которым установлен вырезанный из картона портрет Альберта Эйнштейна в натуральную величину. Изображения, полученные с помощью обычной камеры, лидара и HADAR затем использовали для определения объектов с помощью алгоритма распознавания изображений. На изображении, полученном с помощью обычной камеры, алгоритм ошибочно распознал двух людей, приняв картонную фигуру за человека. На данных, полученных лидаром, оказалось невозможно определить автомобиль. При этом HADAR смог выделить все составляющие сцены, а также определить, что одна из человеческих фигур имеет сигнатуру краски на поверхности, а вторая покрыта тканью. Созданная технология может значительно улучшить системы автономной навигации беспилотных транспортных средств и роботов, дополнив уже существующие системы или даже заменив их. HADAR позволяет определять объекты и измерять расстояние по данным, полученным в ночное время, так же хорошо, как это делают традиционные системы компьютерного зрения, которые используют данные с камер в условиях дневного освещения. По словам авторов работы, в дальнейшем им предстоит решить проблему высокой стоимости оборудования для гиперспектральной съемки и невысокой производительности алгоритма. Сейчас процесс получения изображений и их обработки занимает минуты, но для работы в режиме реального времени это время необходимо сократить. Ранее мы рассказывали, как физики создали лидар, способный распознать метровые детали с рекордного расстояния в 45 километров в условиях высокого шума и слабого сигнала.