网站 Banner

        没有图像是无限清晰的。 150 年来，人们已经知道，无论您多么巧妙地制造显微镜或相机，原则上总会有不能超过的基本分辨率限制。 粒子的位置永远无法以无限精度测量; 一定程度的模糊是不可避免的。 这种限制不是由于技术弱点造成的，而是由于光的物理特性和信息本身的传输造成的。

         TU Wien （维也纳），因此，格拉斯哥大学和格勒诺布尔大学提出了一个问题：光学方法可能的绝对精度极限在哪里？ 如何尽可能接近这个限制呢？ 事实上，这个国际团队成功地为理论上可实现的精度指定了最低限度，并为神经网络开发了经过适当训练后非常接近该限值的 AI 算法。 现在准备采用这种策略在成像程序中，例如医学中使用的程序。

         精度的绝对极限

         “让我们想象一下，我们正在观察不规则、多云的玻璃板后面的一个小物体，”维也纳工业大学理论物理研究所的 Stefan Rotter 教授说。 “我们不仅看到物体的图像，还看到由许多较亮和较暗的光块组成的复杂光模式。 现在的问题是：我们如何根据这张图像精确地估计物体的实际位置——那么这个精度的绝对极限在哪里呢？

         例如，此类场景在生物物理学或医学成像中非常重要。 当光被生物组织散射时，它似乎会丢失有关更深组织结构的信息。 但是，原则上这些信息有多少可以恢复呢？ 这个问题不仅是技术性质的，而且物理学本身在这里设定了基本限制。

         这个问题的答案是由一个理论度量提供的：所谓的 Fisher信息。 此度量描述光信号包含的有关未知参数 （如对象位置） 的信息量。 如果 Fisher 信息较低，则无论分析信号多么复杂，都无法进行精确测定。 基于这个 Fisher 信息概念，该团队能够计算出在不同实验场景中理论上可实现的精度上限。

         神经网络从混沌的光模式中学习

         在维也纳工业大学的团队提供理论输入的同时，格勒诺布尔大学 （F） 的 Dorian Bouchet 与格拉斯哥大学 （UK） 的 Ilya Starshynov 和 Daniele Faccio 一起设计并实施了相应的实验。 在这个实验中，激光束对准位于浑浊液体后面的一个小的反射物体，因此记录的图像只显示出高度失真的光图案。 测量条件因浊度 -- 因此也很难从信号中获得精确的位置信息。

         “在人眼看来，这些图像看起来像随机图案，”该研究的作者之一 Maximilian Weimar （TU Wien） 说。 “但是，如果我们将许多这样的图像（每张图像都有已知的物体位置）输入神经网络，网络就可以了解哪些模式与哪些位置相关联。” 经过充分的训练，网络能够非常确定物体的位置准确地说，即使有新的、未知的模式。

         几乎处于物理极限

         特别值得注意的是：预测的精度仅比使用 Fisher 信息计算的理论上可实现的最大值差一点。 “这意味着我们的 AI 支持的算法不仅有效，而且几乎是最佳的，”Stefan Rotter 说。 “它几乎完全达到了物理定律所允许的精度。”

         这一认识具有深远的影响：随着在智能算法的帮助下，光学测量方法可以在广泛的领域得到显著改进——从医学诊断到材料研究和量子技术。 在未来的项目中，研究团队希望与应用物理学和医学领域的合作伙伴合作，研究如何在特定系统中使用这些 AI 支持的方法。