2
0
2
0

Künstliche Intelligenz und Werkstoffe, um das Unsichtbare zu sehen

Artikel lesen
Physik
künstliche Intelligenz
Medizin
Gesundheit

Forscherinnen und Forscher zeigen anhand der Kopplung von Metawerkstoffen und Neuronennetzen auf, dass der Ton für die hochauflösende Bilddarstellung genutzt werden kann.

Mithilfe der Bildgebung kann ein Gegenstand dargestellt werden, indem die von ihm abgegebenen Licht- oder Tonwellen analysiert werden. Je kürzer sie sind, desto höher ist die Auflösung, wobei die Detailgenauigkeit nicht höher sein kann als die verwendete Wellenlänge. Oder doch? Forscherinnen und Forscher der EPFL haben den Beweis erbracht, dass eine lange und folglich ungenaue Welle – in diesem Fall Töne – bis zu 30 mal kleinere Details als ihre Länge bilden kann. Dafür kombinierte das Team des Labors für Wellen-Engineering von Grund auf erschaffene Metawerkstoffe mit künstlicher Intelligenz. Dieses Experiment ebnet neue, interessante Wege, insbesondere in den Bereichen medizinische Bildgebung und Bioingenieurwesen.

Schematische Darstellung des Lautsprechernetzes und des Metawerkstoffs © Bakhtiyar Orazbayev/EPFL

Forscherinnen und Forscher kamen auf die geniale Idee, zwei Technologien zu verbinden, die die Bildgebung getrennt voneinander vorangebracht hatten. Auf der einen Seite stehen die Metawerkstoffe, die beliebig gestaltet werden und so beispielsweise Wellen fein bündeln können. Sie verlieren jedoch an Wirksamkeit, weil sie das Signal stark und wahllos absorbieren, sodass sie letztlich schwer zu entschlüsseln sind. Auf der anderen Seite nutzt die künstliche Intelligenz Neuronennetze, die auch sehr komplexe Informationen schnell und effizient entschlüsseln können. Dies setzt jedoch einen Lernprozess voraus.

Um die in der Physik als Diffraktionsgrenze bezeichnete Schwelle zu überschreiten, hat das Team von Romain Fleury das folgende Experiment durchgeführt: Die Forscherinnen und Forscher haben in ihrem Labor ein Brett mit 64 Minilautsprechern aufgestellt, die gemäss den Pixeln eines Bildes aktiviert werden. Das Brett bildet eine Tonquelle mit sehr feinen räumlichen Details, die die Bilder der Ziffern 0 bis 9 aus einer Datenbank mit rund 70 000 Versionen der Ziffern in Handschrift reproduzieren. Gegenüber von diesem Brett befindet sich ein Sack mit 39 Helmholtz-Resonatoren. Diese mit Löchern versehenen Kugeln haben einen Durchmesser von 10 Zentimetern und bilden einen Metawerkstoff. Der von der Quelle ausgesandte Ton wird reflektiert und von vier ein paar Meter weiter aufgestellten Mikrofonen eingefangen. Der von den Mikrofonen aufgezeichnete Ton wird dann mit Algorithmen entschlüsselt, um zu lernen, das Bild der ursprünglichen Ziffer zu erkennen und nachzuzeichnen.

«Durch die Rekonstruktion der Ziffernabbilder mit der Auflösung weniger Zentimeter, obwohl die Wellenlänge des Tons rund einen Meter beträgt, haben wir die Diffraktionsgrenze bei Weitem überschritten.»

Vorteilhafter Nachteil

Die Erfolgsquote liegt bei fast 90 %. «Durch die Rekonstruktion der Ziffernabbilder mit der Auflösung weniger Zentimeter, obwohl die Wellenlänge des Tons rund einen Meter beträgt, haben wir die Diffraktionsgrenze bei Weitem überschritten», erklärt Romain Fleury. Ausserdem erweist sich die Absorptionstendenz, die als bedeutender Nachteil von Metawerkstoffen galt, als Vorteil, wenn Neuronennetze genutzt werden. Wir haben festgestellt, dass sie besser funktionieren, wenn die Absorption stark ist.»

Für die medizinische Bildgebung ist es von grossem Vorteil, lange Wellen verwenden zu können, um sehr kleine Dinge zu sehen. «Mit langen Wellen können sehr viel tiefere Frequenzen genutzt werden, sodass die akustische Bildgebung auch bei lichtundurchlässigem Knochengewebe funktioniert oder im Fall der Bildgebung mit elektromagnetischen Wellen weniger gesundheitsschädlich ist», erklärt der Forscher. In diesem Fall würden die Neuronennetze nicht lernen, Ziffern, sondern biologische Strukturen zu erkennen oder darzustellen.

Bilddarstellung des EPFL-Logos durch das System: Die Buchstaben oben entsprechen dem ursprünglichen Bild, die Buchstaben unten sind das Ergebnis des Neuronennetzes mit dem Korrelationskoeffizienten. ©Bakhtiyar Orazbayev/EPFL

Scrollen
Forschung | 35 artikel