Fysikbaserad AI skärper radarbilden

Saab och KTH utvecklar tillsammans nya avancerade metoder för datadriven vågavbildning där fysikens lagar naturligt vävs in i AI. Målet med projektet är robustare rekonstruktionsalgoritmer för bland annat avbildande radar. Resultaten ska kunna tillämpas inom alltifrån räddningsinsatser till avancerade sensorsystem.

Att återskapa en bild av verkligheten utifrån uppmätta ekon från utsända elektromagnetiska vågor är kärnan i vågavbildning. I ett helt nytt projekt inom strategisk mobilitet samarbetar Saab och KTH för att utmana nuvarande tekniker – med hjälp av fysikbaserad AI.
– Det handlar om att låta AI lösa så kallade inversa problem. Man jobbar sig bakåt från observerade mönster i data för att dra vissa slutsatser kring det dynamiska förlopp som gav upphov till det man såg, förklarar Alexander Lindmaa, forskare och projektledare för initiativet vid Saab Surveillance.

Fysikbaserad AI bidrar med sunt förnuft
Idag används klassiska avbildningsmetoder för radar på bred front. Nästa steg handlar om att låta AI, genom avancerad maskininlärning, lära sig rekonstruktionsalgoritmerna och på så vis bli mer tillförlitliga. Detta är annars ett stort problem idag, eftersom mätningarna typiskt innehåller en stor mängd brus, eller är otillräckligt samplade.
Genom detta projekt kompletteras sofistikerade inversa metoder för ofullständig data med fysikaliskt motiverade dynamiska villkor som beskriver hur vågor faktiskt beter sig. Detta guidar AI-metoderna genom fysikaliska principer och hjälper dem att lära sig så kallade priors – en sorts inbyggt ”sunt förnuft”.
– Kombinationen av moderna AI-metoder och klassiska numeriska metoder inom tillämpad matematik blir ett oerhört kraftfullt verktyg framöver, sammanfattar Alexander Lindmaa.

Både snabbare och säkrare
Det som särskiljer projektet är just den fysikbaserade ansatsen. I stället för att enbart mata AI-modeller med data integreras fysikens lagar direkt i inlärningen.
Resultatet blir både sanningsenligare och ger högre upplösning i bilderna. Som ytterligare fördelar hålls datamängderna nere och resultaten genereras snabbare. Detta är särskilt viktigt i försvars- och sensorsammanhang.
– Vi måste ibland fatta beslut under väldigt korta tidsintervaller och med stor tillförlitlighet.

Bred tillämpning i samhället
Projektet befinner sig ännu på forskningsnivå, men är en central del i att minska avståndet mellan akademi och användbara tillämpningar. Alexander Lindmaa betonar att forskarna måste öka förståelsen av grundproblematiken för att kunna bygga mer avancerade teknologiska lösningar för framtiden.
På sikt kan resultaten bidra till allt från bättre övervakning av naturkatastrofer till mer avancerade sensorsystem inom flera domäner.