在过去的十年中，光学传感任务变得更加苛刻。因此，构建小型化、价格低，且可集成在芯片上以支持智能手机、自动驾驶汽车、机器人和无人机的移动应用的传感器变得至关重要。此外，算法在传感中也发挥着越来越重要的作用，许多最近的研发都利用了机器学习算法。
据外媒报道，耶鲁大学（Yale University）电气工程夏丰年（Fengnian Xia）教授实验室的研究人员推出新概念：几何光学深度传感。该概念利用设备技术、凝聚态物理学和深度学习方面的创新，有可能从以硬件为导向转向以软件为导向的方法。
相关论文已发布于期刊《Science》，且该论文由德克萨斯大学（University of Texas）、以色列巴伊兰大学（Bar-Ilan University）和奥地利维也纳科技大学（Vienna University of Technology）的合作者共同撰写。在这个新概念中，“几何”表示传感器输出由多元素数据组成，可以将其视为高维向量空间中的点。“深度”突出了深度神经网络在该传感方案中的关键作用。
该论文的共同作者、夏丰年实验室前博士生Shaofan Yuan指出，传统的光学传感需要多个光学设备才能完全捕获光束的未知特性。其中包括用于测量光的强度、偏振、波长和空间分布的不同设备。所有这些设备加起来构成了一个庞大而昂贵的系统。
Shaofan Yuan表示：“过去，人们为使光学传感设备变得紧凑和多功能做出了很多努力，先进的机器学习算法加速了使用小型化设备的光学传感解决方案。未来的光学传感技术将是一个高度交叉的领域。该领域将受益于设备结构的创新、新兴光学和光电现象的演示，以及机器学习算法的进步。”
该论文的另一位共同作者、夏丰年实验室博士生Chao Ma指出，设备可重构性是使用单个设备实现复杂光学传感的关键。
Chao Ma表示：“可以在不同状态下运行的单个可重构设备对于生成多元素光响应数据至关重要，有时以隐式方式捕获光的多种未知特性，然后可以使用机器学习算法来解释数据。”
该方案涉及使用可重构传感器和深度神经网络进行信息编码/解码过程。也就是说，网络已经用已知的光属性进行了训练，并且可以从可重构传感器的多元素输出中提取正确的信息。夏教授指出，该方案解释多元素光响应的方式与图像识别程序的方式很相似。
夏教授表示：“如果你想让它识别一幅图像，无论是狗、猫、人还是汽车，你都可以收集大量包含已知信息的照片，然后对其进行训练。我们只要给神经网络一个未知的数字即可。”
研究人员指出，该方案的基本原理不仅适用于光，还适用于其他领域，例如感应磁场。夏教授称其研究团队目前正在研究潜在的应用，其中包括使用这种集成传感设备使自动驾驶汽车更安全。