EM Informed Holographic Imaging via Unrolled Deep Networks

एक ऐसे कमरे की कल्पना करें जहाँ हवा खुद अदृश्य रेडियो तरंगों से भरी है, जो दीवारों, फर्नीचर और लोगों से टकराकर वापस लौट रही हैं। एक आधुनिक "स्मार्ट रेडियो वातावरण" में, एंटेना के घने समूह न केवल संचार उपकरण के रूप में, बल्कि एक साझा सेंसिंग इंफ्रास्ट्रक्चर के रूप में कार्य करते हैं। ये एंटेना अंतरिक्ष में वस्तुओं के हिलने-डुलने के कारण रेडियो तरंगों में आने वाली सूक्ष्म लहरों को सुन सकते हैं। एक कैमरे के विपरीत, जो किसी चेहरे या कमरे की विस्तृत तस्वीर लेता है, यह तकनीक इन तरंगों के बिखरने (स्कैटरिंग) के आधार पर चीजों के स्थान का एक मोटा, त्रि-आयामी (3D) मानचित्र तैयार करती है। यह बिना देखे देखने का एक तरीका है, जो दृश्य की एक गोपनीयता-संरक्षित झलक बनाता है, जो किसी व्यक्ति या वस्तु के आकार और स्थान को प्रकट करता है, लेकिन कभी भी कोई पहचानने योग्य छवि कैप्चर नहीं करता। यह "इंटरनेट ऑफ एवरीथिंग" के भविष्य के लिए एक महत्वपूर्ण क्षमता है, जहाँ उपकरणों को सुरक्षित और कुशलतापूर्वक कार्य करने के लिए अपने परिवेश को समझने की आवश्यकता होती है, जबकि वे अंदर मौजूद लोगों की गोपनीयता का सम्मान भी करते हैं।

इंजीनियरों के लिए चुनौती हमेशा इन बिखरे हुए रेडियो संकेतों से एक स्पष्ट चित्र बनाना रही है। रेडियो तरंगों के यात्रा करने और टकराने का भौतिक विज्ञान अच्छी तरह से समझ में आता है, लेकिन संकेतों से एक चित्र को रिवर्स-इंजीनियर करने के लिए गणित को हल करना अत्यंत कठिन है। पारंपरिक तरीके अक्सर निश्चित गणितीय नियमों पर निर्भर करते हैं जो सिद्धांत में तो अच्छा काम करते हैं, लेकिन वास्तविक दुनिया की जटिलताओं के सामने संघर्ष करते हैं। यदि कमरे की ज्यामिति बदल जाती है, या यदि अंदर मौजूद वस्तुएं अपेक्षा के अनुरूप व्यवहार नहीं करती हैं, तो ये मानक उपकरण धुंधले या गलत मानचित्र बनाते हैं। वे एक ऐसे कैमरे की तरह हैं जिसका लेंस समायोजित नहीं किया जा सकता; वह तस्वीर तो लेता है, लेकिन अक्सर फोकस सही नहीं होता। शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस का उपयोग करके इसे ठीक करने का प्रयास किया है, लेकिन कई मौजूदा दृष्टिकोण रेडियो तरंगों के ज्ञात भौतिकी को एक "ब्लैक बॉक्स" कंप्यूटर प्रोग्राम से बदल देते हैं। हालांकि ये प्रोग्राम डेटा से सीख सकते हैं, लेकिन वे अक्सर भौतिकी के नियमों को भूल जाते हैं, जिससे वे नई स्थितियों या प्रशिक्षण के लिए कम डेटा उपलब्ध होने पर अविश्वसनीय हो जाते हैं।

हाल ही में एक अध्ययन में, शोधकर्ताओं—फेडेरिका फिएरामोस्का, अलेक्जेंडर एच. पॉलस, रिचर्ड ओलिवेरा और स्टेफानो सावाज़ी ने एक अलग मार्ग प्रस्तावित किया। भौतिकी को त्यागने या ब्लैक बॉक्स पर निर्भर रहने के बजाय, उन्होंने एक ऐसा तरीका विकसित किया जो विद्युत चुंबकत्व के नियमों को प्रक्रिया के केंद्र में रखता है। उन्होंने एक मानक गणितीय सॉल्वर लिया, जो छवियों को पुनर्गठित करने के लिए उपयोग किया जाने वाला एक चरण-दर-चरण एल्गोरिदम है, और उसे एक प्रशिक्षित डीप लर्निंग नेटवर्क में बदल दिया। इसे एक कठोर, मैनुअल असेंबली लाइन को यह सिखाने के रूप में समझें कि वे क्या देख रहे हैं उसके आधार पर अपने स्वयं के उपकरणों को कैसे समायोजित करें, जबकि वे अभी भी उसी मौलिक ब्लूप्रिंट का पालन कर रहे हैं। "एल्गोरिदम अनरोलिंग" नामक यह तकनीक इस प्रणाली को सीमित डेटा से कुछ विशिष्ट पैरामीटर सीखने की अनुमति देती है, जैसे कि छवि को कितना तेज करना है या किसी व्यक्ति को कहाँ खड़ा होना चाहिए, बिना रेडियो तरंगों के भौतिक अर्थ को खोए।

टीम ने इस सीखने की प्रक्रिया में दो विशिष्ट सुधार पेश किए। पहला सुधार, जिसे "वेटेड लिस्टा" (Weighted LISTA) कहा जाता है, सिस्टम को कमरे के कुछ हिस्सों पर दूसरों की तुलना में अधिक ध्यान देने के लिए सिखाता है। एक विशिष्ट कार्यालय या घर में, लोग फर्श पर खड़े होने की संभावना रखते हैं, न कि छत में तैरते हुए या दीवारों में दबे हुए। एक "स्पेशियल प्रायर" (spatial prior) सीखकर, सिस्टम यह समझ जाता है कि उसे अपना ध्यान फर्श के स्तर और मानव शरीर की सामान्य ऊंचाई पर केंद्रित करना चाहिए, जिससे वह खाली स्थान को प्रभावी ढंग से अनदेखा कर सके। यह परिणामी छवि को बहुत अधिक साफ और स्पष्ट बनाता है। दूसरा सुधार, "लो-रैंक वेटेड लिस्टा" (Low-Rank Weighted LISTA), एक अलग समस्या को संबोधित करता है: यह तथ्य कि रेडियो तरंगों का वर्णन करने के लिए उपयोग किया जाने वाला गणितीय मॉडल एक अनुमान (approximation) है। वास्तविक दुनिया में, तरंगें जटिल तरीकों से व्यवहार करती हैं जिन्हें सरल समीकरण कभी-कभी मिस कर देते हैं। यह नई विधि गणितीय मॉडल के स्वयं के एक छोटे सुधार को सीखती है, जो एक फाइन-ट्यूनिंग नॉब की तरह कार्य करती है जो सिद्धांत और वास्तविकता के बीच के अंतर की भरपाई करती है।

अपने विचारों का परीक्षण करने के लिए, शोधकर्ताओं ने दो प्रकार के प्रयोग चलाए। पहले, उन्होंने एक कमरे के भीतर मानव आकार की वस्तु के साथ रेडियो तरंगों के टकराने का मॉडल बनाने के लिए शक्तिशाली कंप्यूटर सिमुलेशन का उपयोग किया। इन सिमुलेशन ने उन्हें सिस्टम को प्रशिक्षित करने के लिए पूर्ण "ग्राउंड ट्रुथ" डेटा बनाने की अनुमति दी। उन्होंने नए तरीके का पुराने, मानक तरीकों के विरुद्ध परीक्षण किया और पाया कि उनका दृष्टिकोण मानव आकृति का काफी स्पष्ट चित्र बनाता है, जिसमें त्रुटियां कम और किनारे बेहतर ढंग से परिभाषित होते हैं। सिस्टम पृष्ठभूमि के शोर (clutter) से व्यक्ति को अलग करने में विशेष रूप से अच्छा था। दूसरा, वे प्रयोग को एक वास्तविक प्रयोगशाला में ले गए। 2.45 गीगाहर्ट्ज़ की आवृत्ति का उपयोग करते हुए, जो वाई-फाई में सामान्य है, उन्होंने एंटेना का एक बड़ा ग्रिड स्थापित किया और कमरे में एक मानव आकार का पुतला रखा। उन्होंने पुतले द्वारा बिखेरे गए वास्तविक रेडियो तरंगों को मापा और इस वास्तविक दुनिया के डेटा को अपने सिस्टम में डाला।

वास्तविक दुनिया के परीक्षणों के परिणामों ने सिमुलेशन के निष्कर्षों की पुष्टि की। नए तरीके पारंपरिक दृष्टिकोणों की तुलना में पुतले के आकार को बहुत उच्च सटीकता के साथ पुनर्गठित करने में सक्षम थे। मानक तरीके धुंधले, अस्पष्ट धब्बे पैदा करते थे, जबकि अनरोल्ड नेटवर्क अधिक स्पष्ट, सुस्पष्ट रूपरेखा प्रदान करते थे जो वस्तु के वास्तविक आकार से मेल खाती थी। वह संस्करण जिसमें गणितीय मॉडल के लिए सुधार शामिल था, सबसे अच्छा प्रदर्शन करने वाला रहा, जिसने उन बारीक विवरणों को भी प्राप्त किया जिन्हें अन्य चूक गए थे। यह सफलता तब भी हासिल की गई जब सिस्टम को बहुत छोटे डेटासेट पर प्रशिक्षित किया गया था, जो यह दर्शाता है कि यह भारी मात्रा में डेटा की आवश्यकता के बिना नए वातावरण के अनुकूल तेजी से हो सकता है।

इस कार्य का महत्व लचीलेपन और विश्वसनीयता के बीच इसके संतुलन में निहित है। रेडियो तरंगों के भौतिक नियमों को स्थिर रखकर और केवल समायोज्य भागों को सीखकर, यह प्रणाली व्याख्या योग्य और मजबूत बनी रहती है। इसे हर बार कमरे के बदलने पर शुरू से से फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है; इसे बस उस स्थान की विशिष्ट ज्यामिति के लिए कुछ नए सेटिंग्स सीखने की आवश्यकता होती है। यह इसे एक व्यावहारिक उपकरण बनाता है जहाँ गोपनीयता सर्वोतम है। यह सिस्टम आपको बता सकता है कि एक कमरे में एक व्यक्ति खड़ा है और उसका सामान्य आकार कैसा है, बिना कभी भी चेहरा या कोई पहचानने योग्य विशेषता कैप्चर किए। यह स्मार्ट वातावरण को अपने निवासियों के प्रति जागरूक होने और उनके अनुसार प्रतिक्रिया करने का एक तरीका प्रदान करता है, जबकि गोपनीयता के उच्च स्तर को बनाए रखता है और आज उपलब्ध हार्डवेयर पर कुशलतापूर्वक कार्य करता है। शोधकर्ताओं ने दिखाया है कि भौतिकी और मशीन लर्निंग के सर्वोत्तम गुणों को जोड़कर, रेडियो स्पेक्ट्रम के शोर के माध्यम से स्पष्ट रूप से देखना संभव है, अदृश्य तरंगों को उपयोगी, कार्रवाई योग्य जानकारी में बदलना संभव है।