As tecnologias baseadas em IA estão aprendendo rapidamente a ver, conversar, calcular e criar. Uma coisa que eles ainda não fazem bem, porém, é medir ou “sentir” superfícies – uma função puramente mecânica.
“A IA adquiriu mais ou menos o sentido da visão, através de avanços na visão computacional e no reconhecimento de objetos”, diz o professor de física de Stevens, Yong Meng Sua. “No entanto, ainda não desenvolveu um sentido de tato semelhante ao humano que possa distinguir, por exemplo, uma folha áspera de papel de jornal de uma folha lisa e brilhante de papel de revista.”
Até agora, isso é. Pesquisadores do Centro de Ciência e Engenharia Quântica (CQSE) de Stevens acabam de demonstrar um método para dar à IA a capacidade de sentir.
Metrologia precisa para medicina, fabricação e muito mais
Sua, trabalhando com o diretor do CQSE Yuping Huang e os doutorandos Daniel Tafone e Luke McEvoy ’22 MS ’23, desenvolveu uma configuração de laboratório quântico que combina um laser de varredura de disparo de fótons com novos modelos algorítmicos de IA treinados para diferenciar as diferenças entre várias superfícies como eles são fotografados com esses lasers.
“Este é um casamento entre IA e quantum”, explica Tafone.
Em seu sistema, publicado este mês na revista Óptica Aplicada (Vol. 63, No. 30), um feixe de luz especialmente criado é pulsado em rajadas curtas em uma superfície para “senti-la”. Fótons refletidos e retroespalhados retornam do objeto alvo carregando ruído pontilhado, um tipo aleatório de falha que ocorre nas imagens.
O ruído pontilhado é normalmente considerado prejudicial para imagens claras e precisas. No entanto, o sistema do grupo Stevens adota uma abordagem diferente: detecta e processa estes artefactos de ruído utilizando uma IA que foi cuidadosamente treinada para interpretar as suas características como dados valiosos. Isso permite que o sistema discerna com precisão a topografia do objeto.
“Usamos a variação na contagem de fótons em diferentes pontos de iluminação na superfície”, diz Tafone.
A equipe utilizou 31 lixas industriais com superfícies de rugosidade variada, de 1 a 100 mícrons de espessura, como alvos experimentais. (Para efeito de comparação, um cabelo humano médio tem cerca de 100 mícrons de espessura.) Os lasers de modo bloqueado geraram pulsos de luz direcionados às amostras.
Esses pulsos passaram pelos transceptores, encontraram as lixas e depois retornaram pelo sistema para análise pelo modelo de aprendizagem da equipe.
Durante os primeiros testes, o método do grupo obteve uma média de erro quadrático médio (RMSE) de cerca de 8 mícrons; depois de trabalhar com múltiplas amostras e calcular a média dos resultados entre elas, sua precisão melhorou significativamente para dentro de 4 mícrons, comparável aos melhores dispositivos de perfilômetro industrial usados atualmente.
“Curiosamente, nosso sistema funcionou melhor para superfícies de granulação mais fina, como filme de lapidação de diamante e óxido de alumínio”, observa Tafone.
O novo método pode ser útil para uma variedade de aplicações, acrescenta.
Ao tentar detectar câncer de pele, por exemplo, muitas vezes são cometidos erros pelos examinadores humanos, que confundem condições de aparência muito semelhante, mas inofensivas, com melanomas potencialmente fatais.
“Pequenas diferenças na rugosidade da toupeira, pequenas demais para serem vistas pelo olho humano, mas mensuráveis com o nosso sistema quântico proposto, poderiam diferenciar essas condições”, explica Huang.
“As interações quânticas fornecem uma riqueza de informações, usar IA para compreendê-las e processá-las rapidamente é o próximo passo lógico.”
O controle de qualidade de fabricação de componentes também depende frequentemente de distâncias extremamente pequenas que podem significar a diferença entre uma peça perfeita e um pequeno defeito que pode eventualmente causar uma falha mecânica perigosa.
“Como a tecnologia LiDAR já está amplamente implementada em dispositivos como carros autônomos, smartphones e robôs”, conclui Huang, “nosso método enriquece suas capacidades com medição de propriedades de superfície em escalas muito pequenas”.
