機器學習算法開發的波形（右）及其強度水平（左）的示例，可以最好地闡明被識別物體的最重要特征。

美國杜克大學的科研團隊與工程專家共同開發了一種能夠利用微波進行物體檢測的新技術。這一方法不僅提升了識別的準確度，還降低了所需的計算時間和電力消耗。在需要快速并準確識別物體的領域，如自動駕駛汽車、安全檢查和運動感應，該系統具有顯著優勢。

該團隊采用了機器學習算法，避免了生成供人審查的圖像，而是直接對純數據進行解析。該算法能夠同時優化用于提取關鍵數據的硬件配置，并確定哪些數據最為關鍵。在一次概念驗證實驗中，該系統僅用幾十個測量值就準確識別了一組三維數字，遠少于通常需要的數百或數千個測量值。

研究人員使用的是由電子構造組成的8×8正方形網格超材料天線，該天線能夠動態調整其結構以屏蔽或發出微波，從而使微波波前塑造成多種不同形狀。在進行每一次測量時，一個智能傳感器會選擇一些特定的網格單元，允許微波穿過并反射回另一個相似的超材料天線上，生成一個唯一的微波模式。

通過數千次這樣的試驗，機器學習算法逐漸識別出哪些信息最為關鍵，以及哪些發送和接收天線的配置最適合獲取這些信息。這樣，發送器和接收器可以協同工作，由機器學習算法一同優化。這種共同設計的測量和處理方法，可以利用所有關于任務、環境和測量限制的先驗知識來整體優化傳感流程。

與傳統的微波成像系統相比，該機器學習算法通過僅處理一小部分設置，大大減少了所需的測量次數、時間和計算資源。通常，傳統方法需要數百或數千次測量，而該算法只需不到10次測量即可準確識別物體。

雖然該技術是否適用于更復雜的傳感應用還是一個未解之謎，研究團隊已經開始探索如何使用這一創新概念來優化下一代計算機界面的手勢和手部動作識別。由于這類超材料體積小、成本低且易于制造，它在其他需要微波傳感技術改進的領域也具有潛力，例如隱蔽威脅檢測、無人駕駛車輛的路面物體識別或生活輔助設施的緊急情況監控等。