All-optical Edge Computing for Speckle Sensing Interrogation

Resumo Técnico: Computação de Borda totalmente Óptica para Interrogação de Sensação por Manchas

Declaração do Problema
A sensação baseada em manchas (speckle) aproveita os padrões de intensidade espacial de alta dimensão gerados por interferência complexa para codificar informações ambientais. No entanto, os métodos tradicionais de interrogação dependem da aquisição baseada em câmeras, seguida de digitalização eletrônica e pós-processamento digital. Essa cadeia introduz latência significativa e gargalos de largura de banda, restringindo a resolução temporal e impedindo a operação em tempo real. A carga de dados escala com o número de pixels da câmera, e não com a complexidade da tarefa de sensoriamento, criando ônus computacionais que dificultam o rastreamento de mudanças rápidas e dinâmicas. Embora existam alternativas como a visão baseada em eventos, permanece uma necessidade crítica de arquiteturas de interrogação que operem em altas larguras de banda sem depender de pipelines convencionais de imagem de quadro completo.

Metodologia
Os autores propõem uma plataforma de computação de borda totalmente óptica que realiza computação específica da tarefa diretamente no domínio óptico, contornando a necessidade de captura de imagem de campo completo. O núcleo do sistema envolve projetar o padrão de manchas de saída em um Dispositivo de Microespelhos Digitais (DMD), que atua como uma camada óptica programável.

• Arquitetura Óptica: O campo de manchas é ampliado e projetado no DMD. Para lidar com a restrição de não negatividade dos pesos do DMD, o feixe é dividido e metades complementares do campo ponderado são roteadas para dois fotodetectores distintos. O sistema realiza uma medição diferencial ($\Delta I = I_+ - I_-$), onde a detecção de lei quadrática combinada com interferência óptica produz uma projeção não linear das informações codificadas.
• Estratégia de Otimização: Como o mapeamento entre estímulos físicos e padrões de manchas é complexo e sensível a imperfeições, o sistema emprega um procedimento de treinamento in-situ, livre de modelos. Uma estratégia de otimização evolutiva em duas etapas é utilizada:
  1. Algoritmo Genético (AG): Realiza uma exploração global do espaço de máscaras para encontrar uma máscara grosseira que maximize a potência do sinal nas frequências-alvo enquanto suprime as demais.
  2. Método de Entropia Cruzada (CEM): Ajusta finamente os parâmetros da máscara com base na saída do AG para aprimorar ainda mais a relação sinal-ruído (SNR) e suprimir a diafonia.
• Loop de Treinamento: A otimização depende exclusivamente do feedback da tensão do detector diferencial. Uma função de perda baseada no inverso da razão SNR é minimizada para treinar as máscaras do DMD a isolar eventos específicos de sensoriamento, sem exigir um modelo físico explícito da propagação de manchas.

Principais Contribuições

• Framework de Computação de Borda Totalmente Óptica: O artigo apresenta um framework geral para comprimir e processar informações de ondas de alta dimensão na camada física, deslocando a projeção de modos para o domínio óptico para produzir sinais de leitura alinhados diretamente com a tarefa de sensoriamento.
• Treinamento In-Situ Livre de Modelos: A introdução de um algoritmo genético e um método de entropia cruzada para programar elementos ópticos reconfiguráveis usando apenas feedback do detector, contornando a necessidade de modelagem explícita de propagação óptica complexa.
• Desacoplamento de Sinais Multi-ponto: A demonstração de um sistema capaz de resolver independentemente perturbações concorrentes aplicadas em posições distintas ao longo de uma fibra óptica multimodo.

Resultados
O sistema foi validado usando uma tarefa de sensoriamento de fibra óptica multi-ponto, onde três atuadores piezoelétricos perturbaram simultaneamente a fibra em locais diferentes.

• Separação de Sinais: As máscaras espaciais otimizadas desacoplaram com sucesso sinais concorrentes. O sistema alcançou um aprimoramento de sinal-alvo superior a +4 dB (indicando que a energia do sinal reconstruído era pelo menos o dobro da energia residual) enquanto suprimia o vazamento de diafonia para abaixo de -10 dB (menos de um décimo da energia residual).
• Operação em Tempo Real: O sistema operou com larguras de banda limitadas apenas pelos fotodetectores, separando com sucesso sinais na faixa audível (até ~8 kHz). Os autores observam que o teto de largura de banda neste experimento específico deveu-se principalmente ao acoplamento mecânico das vibrações à fibra, e não ao framework óptico ou computacional.
• Validação Quantitativa: Uma matriz de SNR Cruzada baseada em espectrograma confirmou forte dominância diagonal, provando que o sistema isola efetivamente perturbações-alvo de uma mistura de sinais concorrentes.

Significado e Alegações
O artigo afirma que essa abordagem estabelece um framework geral para computação de borda óptica em sensoriamento baseado em manchas, demonstrando como informações de ondas de alta dimensão podem ser processadas na camada física para permitir sensoriamento em tempo real e ultra-rápido. Ao contornar o gargalo da câmera, o sistema produz sinais elétricos de baixa dimensão e alinhados à tarefa, imediatamente disponíveis como tensões analógicas de alta largura de banda, prontas para interface direta com hardware a jusante.

Os autores posicionam este trabalho como uma mudança de paradigma em relação ao processamento centrado na nuvem, que está cada vez mais limitado pelas taxas de dados. Eles afirmam que essa solução abre novas oportunidades para sensoriamento adaptativo de alta velocidade em fibras ópticas, imageamento e sistemas de percepção baseados em ondas. Embora a demonstração atual foque no sensoriamento acústico de fibras, os autores sugerem que os princípios se estendem naturalmente a outras tarefas onde a informação é codificada em padrões de interferência de alta dimensão, como discriminação de partículas ou classificação de defeitos, desde que as máscaras ópticas sejam treinadas para responder seletivamente a classes específicas. O trabalho enfatiza que as capacidades demonstradas são limitadas pela configuração mecânica no experimento atual, e não pelos limites fundamentais do framework de treinamento ou do hardware óptico.