帖子
勋章
关注
任务
人工智能将成像推向物理极限的绝对边缘 当你手中只有一张模糊的图像时，你能以多高的精度测量物体？维也纳工业大学的研究人员利用人工智能突破了可能性的边界。任何图像都无法达到绝对清晰。150多年来，科学家们早已认识到，即使最先进的显微镜和相机也无法突破根本的分辨率极限。我们不可能以无限精度确定粒子的确切位置，某种程度的模糊始终存在。这种限制并非源于技术缺陷，而是源于光的本质特性及信息传递方式。 为此，维也纳工业大学、格拉斯哥大学和格勒诺布尔大学的研究人员共同探索了一个根本性问题：光学技术所能达到的终极精度究竟是多少？我们能否无限接近这个理论极限？这支国际团队不仅从理论上定义了可实现的最低精度极限，更开发出基于神经网络的人工智能系统——经过充分训练后，该系统表现出的精度已无限接近理论极限。目前该方法正被应用于成像技术的实践领域，包括医疗诊断设备。  一个球体（顶部）被放置在云状玻璃板（中央）上方，其发出的光线在屏幕（底部）上形成复杂图案。通过人工智能分析图像数据可以确定球体的位置，其定位精度非常接近本研究得出的终极分辨率极限。 精度存在绝对极限 维也纳工业大学理论物理研究所的Stefan Rotter教授解释道："假设我们正透过不规则毛玻璃观察一个小物体，我们看到的不仅是物体影像，更是由明暗光斑组成的复杂光纹。问题在于：基于这种图像，我们估算物体实际位置的精度极限究竟是多少？"这种场景在生物物理学和医学成像领域至关重要。当光线被生物组织散射时，看似会丢失深层组织结构信息。但理论上能回收多少信息？这不仅是个技术问题，更涉及物理学设定的根本限制。 这个问题的答案由一个理论度量提供——所谓"费希尔信息"。该度量描述了光学信号包含多少关于未知参数（如物体位置）的信息。如果费希尔信息量较低，无论采用多么精密的分析手段都无法实现精确测定。基于费希尔信息概念，研究团队成功计算出不同实验场景下理论可实现精度的上限值。 神经网络从混沌光纹中学习 当维也纳工业大学团队提供理论支持时，格勒诺布尔大学的Dorian Bouchet与格拉斯哥大学的Ilya Starshynov、Daniele Faccio共同设计并实施了对应实验。实验中，激光束照射位于混浊液体后的微型反射物体，记录下的图像仅呈现高度畸变的光纹。测量条件随液体混浊度变化——这意味着从信号中获取精确位置信息的难度也在动态变化。 研究作者之一TU Wien表示："这些图像在人眼看来如同随机图案，但若将大量此类图像（每张都标注已知物体位置）输入神经网络，网络就能学会特定图案与位置的关联。"经过充分训练后，即使面对全新的未知图案，神经网络也能非常精确地判定物体位置。 无限接近物理极限 特别值得注意的是：神经网络预测的精度仅略低于通过费希尔信息计算的理论最大值。Stefan Rotter强调："这意味着我们的人工智能算法不仅高效，而且近乎最优，它几乎完全达到了物理定律允许的精度极限。" 这一认识具有深远意义：借助智能算法，光学测量方法可在医疗诊断、材料研究、量子技术等广泛领域实现显著提升。研究团队未来计划与应用物理学和医学领域的合作伙伴共同探索这些人工智能方法在具体系统中的实践应用。 相关链接：https://www.nature.com/articles/s41566-025-01657-6 分享到：
|
