我們許多人可能知道，深度學習是人工智能機器學習的重要手段，是一種以人工神經網絡為架構，對數據進行表征學習的算法。超材料，英文：Metamaterial, 是一類具有特殊性質的、自然界沒有的人造材料，它們擁有一些特別的、傳統材料無法實現的性質。

現在，科學家們通過將超材料和人工神經網絡相結合，使聲音可以用于提高圖像的分辨率。這一最新研究成果剛剛發表在《物理評論 X》上，將可創造令人興奮的新的應用前景，尤其是在醫學成像和生物工程領域。

成像使我們能夠通過對物體傳輸或輻射的光波和聲波進行遠場分析來描繪物體。波形越短、圖像的分辨率越高。但是，直到現在，圖像的細節水平仍受所討論波長的大小限制。

瑞士洛桑聯邦理工學院的研究人員成功證明，長且因此不精確的波（在本例中為聲波）可以提高高出30倍圖像分辨率。之所以實現了這一目標，是因為研究團隊使用了超材料和人工智能的組合。

該團隊的開創性想法是將先前已突破成像界限的兩種獨立技術整合在一起。其中之一就是超材料：特制的元素，例如，它們可以精確地聚焦波長。就是說，通過隨意地吸收信號以使其難以解碼的方式，它們會失去效力。另一個是人工智能，或更確切地說是神經網絡，盡管涉及學習曲線，但它甚至可以快速有效地處理最復雜的信息。

在物理學中有一種所謂的衍射極限，是指一個理想物點經光學系統成像，由于衍射的限制，不可能得到理想像點。為了超出物理學中這樣的衍射極限，研究小組進行了以下實驗：他們首先創建了一個由64個微型揚聲器組成的格子，每個格子可以根據圖像中的像素進行激活。然后他們使用晶格重現從零到九的數字聲音圖像，并具有極其精確的空間細節；輸入到格子中的數字圖像來自大約7萬個手寫示例的數據庫。

研究人員在格子的對面放置了一個裝有39個稱為亥姆霍茲共振器（10厘米球體，一端有孔）的袋子，該袋子形成了超材料。亥姆霍茲共振（Helmholtz resonance）指的是空氣在一個腔中的共振現象，例如在一個空瓶子的瓶口吹氣引起的共振。

晶格產生的聲音通過超材料傳輸，并被放置在幾米外的四個麥克風捕獲。然后，算法對麥克風記錄的聲音進行解密，以學習如何識別和重繪原始數字圖像。

該研究實驗成功率接近90％。研究人員表示：“通過使用長度約為1米的聲波所生成分辨率達到僅為幾厘米的圖像，這已經遠遠超過了衍射極限。” “此外，被認為是主要缺點的超材料吸收信號的趨勢，在涉及神經網絡時被證明成為了一種優勢。我們發現，當大量吸收時，它們會更好地工作。”

在醫學成像領域，這種使用長波看非常小的物體可能是一個重大突破。 研究人員表示，“長波意味著醫生可以使用低得多的頻率，從而導致聲成像方法甚至在密集的骨組織中也有效。當涉及到使用電磁波的成像時，長波對患者的健康危害較小。在應用程序中，我們不是訓練神經網絡來識別或重現數字，而訓練的是組織結構?！?/span>

“我們設想這在聲學圖像分析、特征檢測、對象分類中的應用，或作為生物醫學應用中的新型無創聲學傳感工具?！?/span>