深度轮廓

近日，中科院自动化所研究员曾毅团队研究发现，从经典的到最先进的深度神经网络都难以像人一样具有较好的幻觉轮廓识别能力。相关研究成果发表于细胞出版社旗下期刊《模式》。神经网络和深度学习模型在过去十年中看似取得巨大成功，在许多给定的视觉任务中在指定方面超过了人类表现。然而，神经网络的性能仍然会随着各种图像扭曲和损坏而降低。一个非常极端的例子是对抗攻击，通过在图片上施加人眼难以察觉的微扰，能够使神经网络模型彻底失效。而人类的视觉系统在这些问题上具有高度鲁棒性，说明深度学习与生物视觉系统相比仍然存在根本性缺陷。为此，曾毅团队提出了一种名为交错光栅扭曲的图像干扰方法，作为量化神经网络模型幻觉轮廓感知能力的工具。结果表明，大多数预训练模型的表现接近随机。另外可以观测到当交错光栅之间的距离较小时，存在一些模型的结果与其他模型的分布有较显著的差别。他们最终发现，使用深度增强技术训练的模型相比其他模型能够显著增强模型对交错光栅扭曲数据集的识别。该研究还招募了24名人类受试者，以评估不同的参数设置下，人类的幻觉轮廓感知能力以及其对数字和图像识别的影响。研究发现，即使是当前最先进的深度学习算法在交错光栅效应的识别上也与人类水平相距甚远。论文第一作者、中科院自动化所工程师范津宇认为，该研究结合了认知科学和人工智能，提出了将传统机器视觉数据集转换成认知科学中的交错光栅幻觉图像，并首次对大量的公开预训练神经网络模型的幻觉轮廓感知能力的量化测量，从神经元动力学角度和行为学角度两个检验深度学习和神经网络模型对幻觉轮廓的感知。“这项研究从认知科学的角度检验和部分重新审视了当前看似成功的人工神经网络模型，并且证明人工神经网络模型与生物视觉处理过程仍然存在着很大差距，大脑运作的机理和智能的本质将继续启发人工智能，特别是神经网络的研究。”曾毅说。在他看来，要想从本质上取得突破，人工智能需要借鉴和受自然演化、脑与心智的启发，建立智能的理论体系，这样的人工智能才会有长远的未来。

近日，来自安徽大学的周胜副教授团队发表了《基于深度神经网络的无需压力校准和轮廓拟合的气体传感光谱技术》论文。Recently, the research team from Associate Professor Zhou Sheng's from Anhui University published an academic papers Pressure calibration- and profile fitting-free spectroscopy technology based on deep neural network for gas sensing.甲烷（CH4）是天然气的主要成分，在工业生产和日常生活中广泛用作燃料。此外，甲烷是一种重要的温室气体，其浓度对全球气候产生重要影响。因此，甲烷的测量对环境监测、生物医药和研究具有重要意义。气体浓度通常通过各种微量气体传感器进行测量，例如气相色谱仪、半导体气体传感器和电化学设备。半导体气体传感器在适当的操作环境下具有ppm级别的灵敏度。激光吸收光谱技术具有高选择性、高灵敏度、快速和多成分监测等优势，目前广泛用于各种气体的检测。激光吸收光谱技术可以准确测量气体分子的特征吸收线，并基于可调谐激光有效降低其他气体光谱线的干扰。此外，它提供了实时原位气体检测的可能性，这对于从工业过程到环境变化的各种现象的理解和监测至关重要。气体分子可以通过其指纹吸收光谱进行有效识别，包括典型的所谓“展宽”参数和“空气展宽”参数。光谱线参数是压力和温度的函数。浓度测量的准确性取决于压力稳定性和光谱拟合精度。对于定量光谱分析，传统上通过准确的模型对光谱进行拟合，同时压力和温度必须定期校准，尤其是在相对大的环境波动情况下。因此，为实现所需的准确性，系统的复杂性增加了。Methane (CH4), which is the main component of natural gas, is widely used as fuel in industrial production and daily life. In addition, CH4 is an important greenhouse gas whose concentration has a substantial influence on global climate. Therefore, the measurement ofCH4 has significant importance for environmental monitoring, biomedicine, and energy research. The gas concentrations are commonly measured by various trace gas sensors, such as gas chromatographs, semiconductor gas sensors, and electrochemical devices. The semiconductor gas sensors have a sensitivity of ppm level under a suitable operating environment. The laser absorption spectroscopy, which has the advantages of high selectivity, high sensitivity, and fast and multi-component monitoring, is currently widely used in the detection of a variety of gases. Laser absorption spectroscopy technology can accurately measure the characteristic absorption lines of gas molecules and effectively reduce the interference of other gas spectral lines based on the tunable lasers. Moreover, it provides the possibility of real-time in-situ gas detection, which is crucial for understanding and monitoring a variety of phenomena from industrial processes to environmental change. A gas molecule can be effectively identified by its fingerprint absorption spectrum, including typical so-called “self-broadening” parameters and “air-broadening” parameters. The spectral line parameters are functions of pressure and temperature. The accuracy of concentration measurement depends on pressure stability and spectral fitting accuracy. For quantitative spectral analysis, the spectra are traditionally fitted by an accurate model, while the pressure and temperature must be calibrated on time, especially in the case of relatively large environmental fluctuations. Consequently, the complexity of system is increased to achieve the required accuracy. 目前，人工智能的快速发展为解决这个问题提供了一种新途径。人工神经网络已被用于气体识别，并在足够训练数据的条件下表现出良好性能。基于Hopfield自联想记忆算法的神经网络已用于识别五种类似的醇的红外光谱。反向传播神经网络用于从混合气体中识别目标气体，证明了卷积神经网络（CNN）模型可以有效提高识别准确性。此外，最近的研究表明深度神经网络也可以应用于振动光谱分析。卷积神经网络和自编码器网络被用于处理一维振动光谱数据。与传统气体检测技术相比，辅以深度学习的气体传感器可以实现准确的灵敏度测量，并降低异常检测的鲁棒性。深度神经网络（DNN）可以在经过足够样本训练后直接从吸收光谱中学习特征，实现不需要压力校准和轮廓拟合的气体浓度直接识别。这种网络为检索气体浓度提供了一种新途径，无需昂贵且复杂的压力控制器。为了展示提出的DNN辅助算法的性能，构建了一个基于DFB激光二极管的甲烷检测气体传感器系统。预测的浓度与校准值相当吻合。这项研究表明，基于DNN的激光吸收光谱在大气环境监测、呼气检测等方面具有显着潜力。Currently, the rapid development of artificial intelligence provides a new way to solve this problem. The artificial neural network has been used for gas identification and shows a good performance under the condition of sufficient data for training. The infrared spectra of five similar alcohols has been identified by a neural network based on the Hopfield self-associative memory algorithm . A back propagation neural network is used to recognize target gas from the mixtures of gases, which proved that the convolutional neural networks (CNN) model can improve identification accuracy effectively. In addition, recent studies indicate that deep neural networks can also be applied to vibrational spectral analysis. The convolutional neural and auto encoder networks are used to process onedimensional vibrational spectroscopic data. Compared with traditional gas detection technology, the gas sensors assisted with deep learning can achieve accurate sensitivity measurement and reduce the robustness of anomaly detection. A deep neural network (DNN), which can learn features directly from the absorption spectra after training with sufficient samples, achievesthe direct identification of gas concentration free of pressure calibration and profile fitting. This network provides a new way to retrieve gas concentrations without expensive and complicated pressure controllers. To demonstrate the performance of proposed DNN assisted algorithm, a DFB diode laser-based gas sensor system for CH4 detection is constructed. The predicted concentrations are in good agreement with the calibrated values. This study indicates that DNN-based laser absorption spectroscopy has remarkable potential in atmospheric environmental monitoring, exhaled breath detection and etc..实验装置用于获取甲烷（CH4）气体吸收光谱的实验装置如图1所示。一台近红外DFB激光二极管，最大峰值输出功率为20毫瓦，被用作光源。通过控制激光温度和电流，激光可以在6045 cm-1到6047 cm-1范围内进行调谐，宁波海尔欣光电科技有限公司为此项目提供激光驱动器，型号为QC-1000。所选CH4在6046.95 cm-1附近的吸收线在图2中基于从HITRAN数据库获取的光谱线参数进行了模拟。DFB激光二极管经过纤维准直器进行准直，然后由一块CaF2分束器进行对准，分束后的可见红光（632.8纳米）光束用作跟踪激光。随后，光束被送入一个7米有效光程的多程传输池，并且池内的压力由压力控制器、流量控制器和隔膜泵协同控制。一个典型频率为100赫兹的三角波被用作扫描信号，以驱动激光二极管。最后，激光通过一个InGaAs光电探测器进行检测，并被数据采集单元卡获取。信号随后传输到计算机，并由自制的LabVIEW程序进行分析。Experimental setupThe experimental setup used to obtain CH4 gas absorption spectra is depicted in Fig. 1. A near-infrared DFB diode laser with a maximum peak output power of 20 mW is used as the optical source. The laser can be tuned from 6045 cm&minus 1 to 6047 cm&minus 1 by controlling the laser temperature and current via the controller (QC-1000, Healthy photon Co., Ltd.). The absorption line of selected CH4 near 6046.95 cm&minus 1 is simulated based on spectral line parameters obtained from the HITRAN database in Fig. 2. The DFB diode laser is collimatedby a fiber collimator and aligned by a CaF2 beam splitter with a beam of visible red light (632.8 nm) as the tracking laser. Subsequently, the beam is sent to a multi-pass cell with a 7 m effective optical length, and the pressure inside the cell is collaborative controlled by a pressure controller, a flow controller, and a diaphragm pump. A triangular wave with a typical frequency of 100 Hz is used as a scanning signal to drive the diode laser. Finally, the laser is detected through an InGaAs photodetector and acquired by a data acquisition unit card. The signal is subsequently transmitted to the computer and analyzed by the homemade LabVIEW program. QC-1000, Healthy photon Co., Ltd.Fig. 1. Experimental device diagram.Fig. 2. The spectral line intensities of CH4 in the tuning range of 6046.93–6046.96 cm&minus 1 and the cross-section of the selected line obtained from the HITRAN database.结论总体而言，本项目开发了基于DNN算法和激光吸收光谱的概念验证气体传感器，并设计了基于DFB激光二极管的甲烷检测传感器系统。此外，通过计算RMSE和训练时间评估了DNN算法的性能，并优化了DNN层、神经元数量和epochs等参数，以获取最佳参数。提出了改进的系统来分析和预测气体吸收光谱数据，在甲烷浓度预测方面表现出良好的准确性和稳定性。不同浓度的甲烷预测值与相应的理论值线性拟合，证明其在实际领域应用中具有巨大潜力，尤其适用于恶劣环境。Conclusions Overall, a proof-of-concept gas sensor based on the DNN algorithm and laser absorption spectroscopy is developed, and a CH4 detection sensor system based on the DFB diode laser is designed in this paper. In addition, the performance of the DNN algorithm is evaluated by calculating RMSE and training times, and the parameters, which include DNN layers, neuron number, and epochs, are optimized to obtain optimal parameters. The modified system is proposed to analyze and predict the gas absorption spectrum data, demonstrating good accuracy and stability in the prediction of CH4 concentrations. The predicted values of methane with different concentrations are linearly fitted with the corresponding theoretical value, which proves it has great potential in practical field applications, especially for harsh environments.参考ReferencesPressure calibration- and profile fitting-free spectroscopy technology based on deep neural network for gas sensing, Measurement 204 (2022) 112077https://doi.org/10.1016/j.measurement.2022.112077

KLA Instruments拥有如今的光学轮廓仪组合，是早先各品牌合力创新的结果：1.ADE 发布了 MicroXAM 白光干涉仪。2.Zeta&trade Instruments 开发了 ZDot&trade 和多模式光学轮廓仪。3.KLA旗下Filmetrics® 推出了新型、通用的白光干涉仪。KLA Instruments 品牌下多样化的光学轮廓仪产品都拥有各自悠久的创新历史。1999ADE Phase Shift 推出了 MicroXAM 光学轮廓仪，具有埃米级灵敏度，可用于超光滑表面的相移干涉测量，以及更大台阶高度样品的垂直扫描干涉测量。2006KLA 收购了 ADE 公司，为 KLA 的桌面式量测组合增加了 MicroXAM-100 光学轮廓仪，并推出了面向半导体市场的衬底几何形貌和缺陷检测解决方案。2010Zeta-20 是 Zeta Instruments 推出的第一款产品。Zeta-20 是使用 ZDot&trade 专利技术的光学轮廓仪，它结合了结构照明、共聚焦光学以生成高分辨率的3D表面形貌数据和表面真彩图像。该技术使用户能够轻松地聚焦在任何透明或不透明的表面上，从而实现对台阶高度和粗糙度的快速测量。多模组光学系统将 ZDot 技术与白光干涉仪、剪切干涉仪、透明薄膜反射光谱仪和自动缺陷检测功能相结合，扩展了非接触式3D 光学轮廓仪的应用场景。同年，Zeta-200 发布，带有自动化载台，并推出了发光二极管 (LED) 应用的解决方案。Zeta-200 光学轮廓仪利用高透射光学设计、背光源照明技术和专有算法来测量图形化的蓝宝石衬底 (PSS)。 该系统可以适应各种形状的 PSS 凸起，测量视场中所有 PSS 凸起的高度和间距，从而避免仅测量一小部分区域而产生错误的凸起信号或导致的结果偏差。通过多模式光学系统，还可以测量在 PSS 制造过程中薄膜厚度的变化以及样品的翘曲度。最后，通过自动缺陷检测功能，Zeta-200 可以识别不同缺陷的种类，如剥落的凸块、划痕和颗粒。2011Zeta-280 在 Zeta-200 平台的基础上增加了一个适配单个晶圆盒的桌面式机械手臂。Zeta-300 光学轮廓仪支持测量最大8寸的器件。该系统采用一体化主动或被动隔振平台，并搭配隔声罩隔离环境中的噪声。2012Zeta-20 采用 ZDot技术，为封装微流体器件等透明多表面应用场景提供了一种创新的测量解决方案。微流体器件的封装工艺通常会改变通道的尺寸和外形，从而影响器件的性能。因此，封装后的测量对客户的产品控制至关重要。Zeta-20高透射率的光学设计使得ZDot 信号在经过多膜层透射后仍能保持足够强度，从而可以实现对微流体器件玻璃盖板封装前后关键尺寸参数的测量，例如盖板的厚度、微流体通道的深度和尺寸。同年，将 Zeta-280的桌面式机械手臂与 Zeta-300 平台相结合，推出了Zeta-380自动化测量设备。2014MicroXAM-800 集成了Ambios 和 ADE 相移干涉测量技术的最佳硬件和算法，并搭配创新且易用的软件，用于台阶高度和粗糙度的自动测量。2015基于Zeta-20推出太阳能行业创新解决方案，用于绒面和丝网印刷的工艺控制。太阳能光伏的成本控制和提升转化率，推动着晶硅光伏的技术迭代。金字塔绒面的规格和表面栅线印刷的质量，对晶硅光伏的转化效率产生重要影响，因此成为产品控制的关键环节。绒面工艺控制对于控制绒面金字塔结构的高度、外形和尺寸分布至关重要，因为这会影响太阳能电池的光捕获效率。Zeta-20提供了专为绒面金字塔测量的解决方案，可实现金字塔结构的自动探测和统计。金属栅线采用丝网印刷工艺，该工艺会带来金属栅线的宽度、高度、体积、电学特性等方面的变化，从而增加器件的制造成本。Zeta-20的高动态范围测量模式（HDR）为金属栅线工艺提供了测量解决方案，可实现对反射率差异较大的材料测量。在太阳能电池制造工艺过程中，HDR模式被用于测量镀有减反膜涂层绒面表面的金属栅线3D形貌。同年，推出了Zeta-360 和第一代 Zeta-388 产品，提供了基于Zeta平台的晶圆自动化处理解决方案。 2016Profilm3D 是一款基于白光干涉原理的光学轮廓仪，可以适用于多种应用场景，包括薄膜厚度、表面粗糙度、台阶高度等表面形貌测量，是一种高性价比的三维表面形貌测量解决方案。2017Zeta Instruments 加入KLA Instruments 集团，为KLA光学轮廓仪引入 ZDot 技术和多模式测量技术，扩充KLA光学轮廓仪的产品线。Zeta系列用于3D表面形貌测量，支持研发、生产和全自动化环境。2018KLA旗下Filmetrics 推出了世界上首个专门用于3D形貌数据处理的网络应用程序ProfilmOnline® ，利用网络浏览器和强大的智能手机功能，使用户无需电脑即可分析、存储和共享3D数据，包括光学轮廓仪、扫描探针显微镜（如原子力显微镜）和其他三维成像显微镜等获取的三维形貌数据。用户可以便捷地从 Filmetrics Profilm3D 光学轮廓仪上传数据，对其进行分析，并与同事共享测量结果。ProfilmOnline® 允许用户通过跨平台的任意设备，随时随地访问数据。Profilm3D 增加了 TotalFocus&trade 功能，提供其样品表面的3D自然彩色图像。新一代Zeta-388光学轮廓仪是非接触式三维表面形貌测量系统。该系统在Zeta-300的基础上，更新了用于全自动测量的机械手臂操作系统。Zeta-388支持OCR和SECS/GEM，从而可用于全自动产线的生产制造。该系统提供了具有生产价值的工艺控制测量，如PSS上的凸块高度、粗糙度和台阶高度。Zeta-388凭借在图形化蓝宝石衬底 (PSS)工艺中的应用荣获2018年化合物半导体行业量测奖。2019Filmetrics 正式加入 KLA Instruments 集团。在薄膜厚度、材料光学特性（n、k 值）的测量方面，Filmetrics 系列薄膜测量仪扩充 KLA 桌面式量测产品线。Filmetrics Profilm3D 光学轮廓仪扩充 KLA光学轮廓仪产品线，为客户提供高性价比的表面形貌测量解决方案。2020Profilm3D-200 具有一个行程为 200mm的自动样品台，可放置200mm直径的晶圆样品。2023KLA Instruments 推出Zeta-20HR高分辨率光学轮廓仪，专为满足新型太阳能电池的结构表征和下一代生产工艺的量测需求而设计。Zeta-20HR提高了光学轮廓仪的分辨率，将对太阳能电池结构的表征能力拓展至1µ m以下。这款新型的Zeta光学轮廓仪，基于具有ZDot技术的Zeta-20设计，可配置230mm x 230mm尺寸的样品载台，并具备所有标准化且易用的多模组测量能力。Zeta光学轮廓仪是太阳能电池工艺研发和制程控制的理想量测工具。如需申请测样或产品咨询,可通过仪器信息网和我们取得联系！