Learned Diffractive Optics for Quantum-Optimal Inference

في الزوايا الهادئة من الكون حيث يندر الضوء، كما هو الحال في الفضاء العميق أو داخل خلية حية تحت المجهر، كل فوتون بمفرده له قيمته. هذه الحزم الصغيرة من الطاقة هي الرسل الوحيدون الذين يحملون معلومات عن النجوم البعيدة أو الهياكل البيولوجية الهشة. ومع ذلك، فإن الطريقة التي التقطنا بها هذه الصور تقليديًا تعاني من خلل جوهري؛ فالكاميرات القياسية تسجل ببساطة أين يهبط الضوء، مما يخلق صورة تعتمد على السطوع وحده. هذا النهج يعمل جيدًا عندما يتوفر الكثير من الضوء، ولكن في ظروف الإضاءة المنخفضة، تخلق الطبيعة العشوائية للضو نفسه ضجيجًا حبيبيًا يغمر الإشارة. والأهم من ذلك، أن هذه الطريقة التقليدية تتجاهل طبقة خفية من المعلومات المخبأة داخل الضوء: وهي الطريقة التي تتماشى بها موجات الضوء مع بعضها البعض. ومن خلال تجاهل هذا التراصف، أو الترابط (coherence)، تفقد الكاميرات التقليدية تفاصيل حاسمة تشير الفيزياء الكمومية إلى وجودها، مما يتركنا بصور ضبابية أو غير مكتملة عندما نكون في أمس الحاجة إليها.

لقد وجد فريق من الباحثين في جامعة أكسفورد طريقة لاستعادة هذه المعلومات المفقودة؛ حيث طوروا نوعًا جديدًا من الأنظمة البصرية التي تتعلم رؤية العالم ليس فقط من خلال مكان سقوط الضوء، بل من خلال كيفية تفاعل موجات الضوء مع بعضها البعض. وبدلاً من استخدام عدسة قياسية لتركيز الصورة، قاموا ببناء جهاز مكون من سلسلة من الصفائح الشفافة الرقيقة. هذه الصف plates لا تقوم بتركيز الضوء بالمعنى التقليدي، بل تعمل على ليّ وتغيير موجات الضوء أثناء مرورها عبرها. استخدم الباحثون خوارزميات حاسوبية قوية لتعليم هذه الصفائح بدقة كيفية ليّ الضوء لحل مشكلات محددة، مثل التمييز بين جسمين متشابهين أو قياس مسافة ضئيلة، كل ذلك باستخدام أقل عدد ممكن من الفوتونات. والنتيجة هي نظام يعمل بكفاءة تقارب أفضل قياس مسموح به وفقًا لقوانين الفيزياء، متفوقًا بمراحل على الكاميرات القياسية وحتى الأدوات البصرية المتخصصة المصممة لهذه المهام.

يكمن جوهر هذا الاختراق في كيفية مقاربة الباحثين لتصميم نظامهم البصري. تقليديًا، كان العلماء يحاولون حساب الطريقة المثالية لقياس حالة كمومية محددة باستخدام رياضيات معقدة، وغالبًا ما يجدون أن الحل مستحيل التنفيذ باستخدام مواد من العالم الحقيقي. هنا، قلب الفريق السيناريو؛ فقد عاملوا النظام البصري كشبكة عصبية، وهي نوع من أنواع الذكاء الاصطناعي. قاموا بمحاكاة مسار الضوء عبر كومة من ثماني صفائح شفافة، كل منها مقسم إلى شبكة من الأجزاء الصغيرة. وقام الحاسوب بتعديل شكل موجة الضوء في كل قسم، مرارًا وتكرارًا، محاولًا تقليل الخطأ في مهمة محددة. فإذا كان الهدف هو التمييز بين نوعين من الخلايا، يقوم الحاسوب بتعديل الصفائح حتى تصبح أنماط الضوء من هاتين الخليتين مختلفة قدر الإمكان عند الكاشف. وإذا كان الهدف هو قياس مسافة، يتم تعديل الصفائح لجعل القياس أكثر دقة. هذه العملية، المعروفة باسم "التحسين القائم على التدرج" (gradient-based optimization)، سمحت للنظام باكتشاف تكوينات فيزيائية لم يكن لأي عالم رياضيات بشري أن يتوقعها بسهولة.

اختبر الباحثون هذه "البصريات الحيودية المتعلمة" (learned diffative optics) في عدة سيناريوهات صعبة. في إحدى التجارب، طلبوا من النظام التمييز بين حالتين كموميتين غير متعامدتين للضوء، وهما تشبهان إشارتين تتداخلان بشكل كبير ويصعب فصلهما. فشلت الكاميرا القياسية، التي تلتقط شدة الضوء فقط، في التمييز بينهما جيدًا، حيث وقعت في أخطاء بنسبة 22 في المائة تقريبًا. ومع ذلك، نجح النظام البصري المتعلم في تقليل معدل الخطأ هذا إلى 0.067 فقط، وهو أداء يقع ضمن جزء من مائة في المائة من الحد النظري الذي تضعه ميكانيكا الكم. وهذا يعني أن الجهاز يستخلص كل بت ممكن من المعلومات من كل فوتون، وهو أمر لا تستطيع الكاميرا القياسية القيام به ببساطة.

تتجاوز قوة هذا النهج مجرد الخيارات الثنائية البسيطة. فقد طبق الفريق الطريقة أيضًا لتقدير المعلمات المستمرة، مثل انحناء موجة الضوء أو المسافة بين نقطتين ضوئيتين خافتين. في مشكلة شهيرة تُعرف باسم "لعنة رايلي" (Rayleigh's curse)، يفشل التصوير القياسي تمامًا عندما تكون نقطتا الضوء أقرب إلى بعضهما البعض من الطول الموجي للضوء؛ حيث تصبح الصورة بقعة ضبابية واحدة، ولا يمكن قياس المسافة. وقد أظهر الباحثون أن بصرياتهم المتعلمة يمكنها التغلب على هذا الحد. فمن خلال تدريب الصفائح على التلاعب بموجات الضوء خصيصًا لهذه المهمة، استطاع النظام تقدير المسافة بين نقطتين بدقة عالية، حتى عندما كانتا قريبتين جدًا من بعضهما البعض. وفي هذه المحاكاة، تطلب النظام البصري المتعلم فوتونات أقل بمقدار واحد وأربعين مرة من الكاميرا القياسية لتحقيق نفس المستوى من الدقة عندما كان التمويه شديدًا.

إن ما يجعل هذا النهج قويًا بشكل خاص هو أنه لا يتطلب من الباحثين معرفة الإجابة مسبقًا. لم يكونوا بحاجة لمعرفة الصيغة الرياضية المثالية للقياس الأمثل؛ بل اكتفوا بتحديد الهدف — مثل "تقليل الخطأ في تحديد نوع هذه الخلية" — وتركوا الحاسوب يجد الترتيب الفيزيائي للصفائح الذي يحقق ذلك. ويمثل هذا تحولًا كبيرًا عن الطرق السابقة حيث كان على العلماء تصميم الأنظمة البصرية يدويًا بناءً على نماذج رياضية معروفة، مثل أنماط "هيرميت-غاوسيان" (Hermite-Gaussian modes) المستخدمة غالبًا في المجهر فائق الدقة. في الواقع، عندما قارن الباحثون نظامهم المتعلم بجهاز مصمم خصيصًا لفرز هذه الأنماط المعروفة، كان نظامهم المتعلم أفضل أداءً. لقد وجد الحاسوب طريقة لترتيب الصفائح كانت أكثر فعالية من الفرز المصمم بشريًا، ربما لأنه استطاع مراعاة العيوب الطفيفة والقيود الخاصة بالأجهزة الفيزيائية التي قد تغفلها التصاميم النظرية.

استكشفت الدراسة أيضًا كيفية سلوك هذه الأنظمة مع أعداد مختلفة من الفوتونات. في العالم الحقيقي، غالبًا ما يكون عدد الفوتونات المتاحة محدودًا وغير متوقع. وجد الباحثون أن النظام المدرب على عدد معين من الفوتونات يعمل بشكل أفضل لهذا العدد، ولكن النظام المدرب على الأداء الجيد عبر نطاق واسع من أعداد الفوتونات يمكنه التكيف مع مواقف عديدة. هذه المرونة حاسمة للتطبيقات العملية حيث تختلف مستويات الإضاءة. علاوة على على ذلك، أثبت الفريق أن هذه الطريقة تعمل مع الضوء المترابط (coherent light)، مثل ضوء الليزر، والضوء غير المترابط (incoherent light)، مثل الضوء القادم من نجم بعيد أو عينة بيولوجية. تشير هذه القدرة على التكيف إلى أن التقنية ليست مقتصرة على مجموعة ضيقة من الظروف، بل يمكن تطبيقها على نطاق واسع من مشاكل الاستشعار والتصوير.

كما أن التحقيق المادي لهذه التكنولوجيا يبدو واعدًا. فالصفائح المستخدمة في المحاكاة يمكن بناؤها باستخدام تقنيات موجودة بالفعل، مثل معدلات الطور المكانية (spatial light modulators)، وهي أجهزة يمكنها تغيير طور الضوئي إلكترونيًا، أو عن طريق طباعة أقنعة الطور الثابتة. وأشار الباحثون إلى أنه يمكن جعل عملية التحسين تأخذ في الاعتبار العيوب الواقعية، مثل عدم محاذاة الصفائح أو عيوب التصنيع، مما يضمن بقاء الجهاز النهائي قويًا. وبينما تعتمد النتائج الحالية على محاكاة الحاسوب، فإن الطريق لبناء جهاز فيزيائي واضح؛ إذ تعتمد الطريقة على نموذج قابل للتفاضل (differentiable model) للبصريات، مما يعني أن الحاسوب يمكنه محاكاة انتشار الضوء وعملية التعلم بدقة عالية، مما يوفر مخططًا موثوقًا للبناء.

يمثل هذا العمل تحولًا في كيفية تفكيرنا في القياس البصري. لأكثر من قرن، كان النهج القياسي هو التقاط صورة ثم معالجتها بواسطة الحاسوب. تقترح هذه الطريقة الجديدة أن المعالجة يجب أن تحدث قبل تشكل الصورة، بحيث تُدمج مباشرة في فيزياء الضوء نفسها. ومن خلال دمج مبادئ ميكانيكا الكم مع تعلم الآلة، أنشأ الباحثون إطارًا يكون فيه جهاز القياس ليس مجرد مسجل سلبي، بل مشارك نشط في عملية الاستنتاج. يتعلم النظام تشكيل الضوء بطريقة تزيد من استخراج المعلومات من كل فوتون، مما يدفع حدود الممكن في الاستشعار عند الإضاءة المنخفضة.

تمتد آثار هذا البحث إلى ما هو أبعد من المختبر. ففي مجالات مثل علم الفلك، حيث كل فوتون من مجرة بعيدة يعد ثمينًا، أو في التصوير الطبي، حيث يمكن للضوء عالي الكثافة أن يلحق الضرر بالأنسجة الرقيقة، فإن القدرة على رؤية المزيد بضوء أقل تعد أمرًا تحوليًا. ويرى الباحثون أن هذا النهج يمكن أن يؤسس مجالًا جديدًا من "الرؤية الآلية الكمومية الحسابية" (quantum computational machine vision)، حيث لا تُعاد صياغة حدود التصوير من خلال جودة العدسة، بل من خلال ذكاء النظام البصري نفسه. ومن خلال تعليم الضوء كيفية حمل المعلومات بكفاءة أكبر، قد نتمكن قريبًا من رؤية غير المرئي بوضوح كان يُعتقد سابقًا أنه حكر على النظريات فقط.