ИИ в нанофотонике

Наша команда активно применяет методы компьютерного зрения и машинного обучения в своих проектах. Особенно интенсивно они используются в проектах, связанных с физически неклонируемыми защитными метками, а также с анализом веществ.

В силу уникальности физически неклонируемых защитных меток для их использования необходимы протоколы, позволяющие сравнивать одну метку с другой. Для наших меток мы самостоятельно разрабатываем такие протоколы на основе библиотеки Open Computer Vision. При считывании метки с помощью компьютерного зрения идентифицируется положение каждой наноструктуры в метке и ее цвет. После считывания запускается протокол проверки подлинности, который сравнивает информацию, считанную пользователем с метки, с информацией из базы данных.

Анализ веществ с помощью Рамановской спектроскопии требует обработки большого объема спектральных данных, которые в силу разнообразных молекулярных связей изучаемых веществ могут быть достаточно сложными. Для решения этой проблемы мы используем машинное обучение. Нами применялись различные методы для задач классификации и регрессии, такие как Дерево принятия решений (Decision Tree), Случайный лес (Random Forest), Метод опорных векторов (Support Vectors), Логистическая регрессия (Logistic Regression). Использование этих методов позволило проводить количественный и качественный анализ с точностью более 95%. Этот подход позволил решить проблемы обработки и интерпретации сложных спектральных данных, а также автоматизировать процесс анализа большого объема данных.