深度学习与超材料相结合，使声音用于提高图像分辨率

我们许多人可能知道，深度学习是人工智能机器学习的重要手段，是一种以人工神经网络为架构，对数据进行表征学习的算法。超材料，英文：Metamaterial, 是一类具有特殊性质的、自然界没有的人造材料，它们拥有一些特别的、传统材料无法实现的性质。

现在，科学家们通过将超材料和人工神经网络相结合，使声音可以用于提高图像的分辨率。这一最新研究成果刚刚发表在《物理评论 X》上，将可创造令人兴奋的新的应用前景，尤其是在医学成像和生物工程领域。

成像使我们能够通过对物体传输或辐射的光波和声波进行远场分析来描绘物体。波形越短、图像的分辨率越高。但是，直到现在，图像的细节水平仍受所讨论波长的大小限制。

瑞士洛桑联邦理工学院的研究人员成功证明，长且因此不精确的波（在本例中为声波）可以提高高出30倍图像分辨率。之所以实现了这一目标，是因为研究团队使用了超材料和人工智能的组合。

该团队的开创性想法是将先前已突破成像界限的两种独立技术整合在一起。其中之一就是超材料：特制的元素，例如，它们可以精确地聚焦波长。就是说，通过随意地吸收信号以使其难以解码的方式，它们会失去效力。另一个是人工智能，或更确切地说是神经网络，尽管涉及学习曲线，但它甚至可以快速有效地处理最复杂的信息。

在物理学中有一种所谓的衍射极限，是指一个理想物点经光学系统成像，由于衍射的限制，不可能得到理想像点。为了超出物理学中这样的衍射极限，研究小组进行了以下实验：他们首先创建了一个由64个微型扬声器组成的格子，每个格子可以根据图像中的像素进行激活。然后他们使用晶格重现从零到九的数字声音图像，并具有极其精确的空间细节；输入到格子中的数字图像来自大约7万个手写示例的数据库。

研究人员在格子的对面放置了一个装有39个称为亥姆霍兹共振器（10厘米球体，一端有孔）的袋子，该袋子形成了超材料。亥姆霍兹共振（Helmholtz resonance）指的是空气在一个腔中的共振现象，例如在一个空瓶子的瓶口吹气引起的共振。

晶格产生的声音通过超材料传输，并被放置在几米外的四个麦克风捕获。然后，算法对麦克风记录的声音进行解密，以学习如何识别和重绘原始数字图像。

该研究实验成功率接近90％。研究人员表示：“通过使用长度约为1米的声波所生成分辨率达到仅为几厘米的图像，这已经远远超过了衍射极限。” “此外，被认为是主要缺点的超材料吸收信号的趋势，在涉及神经网络时被证明成为了一种优势。我们发现，当大量吸收时，它们会更好地工作。”

在医学成像领域，这种使用长波看非常小的物体可能是一个重大突破。 研究人员表示，“长波意味着医生可以使用低得多的频率，从而导致声成像方法甚至在密集的骨组织中也有效。当涉及到使用电磁波的成像时，长波对患者的健康危害较小。在应用程序中，我们不是训练神经网络来识别或重现数字，而训练的是组织结构。”

“我们设想这在声学图像分析、特征检测、对象分类中的应用，或作为生物医学应用中的新型无创声学传感工具。”