Learned Diffractive Optics for Quantum-Optimal Inference

In den stillen Winkeln des Universums, wo das Licht spärlich ist, wie etwa im tiefen Weltraum oder im Inneren einer lebenden Zelle unter einem Mikroskop, zählt jedes einzelne Photon. Diese winzigen Energiepakete sind die einzigen Boten, die Informationen über ferne Sterne oder fragile biologische Strukturen tragen. Die Art und Weise, wie wir diese Bilder traditionell erfasst haben, weist jedoch einen grundlegenden Fehler auf. Standardkameras zeichnen einfach auf, wo das Licht landet, und erstellen so ein Bild, das allein auf der Helligkeit basiert. Dieser Ansatz funktioniert gut, wenn reichlich Licht vorhanden ist, aber unter Bedingungen mit geringer Lichtintensität erzeugt die zufällige Natur des Lichts selbst ein körniges Rauschen, das das Signal überlagert. Viel wichtiger noch: Diese traditionelle Methode verwirft eine subtile Informationsebene, die im Licht verborgen liegt: die Art und Weise, wie die Lichtwellen zueinander ausgerichtet sind. Indem sie diese Ausrichtung, oder Kohärenz, ignorieren, verpassen konventionelle Kameras entscheidende Details, von denen die Quantenphysik sagt, dass sie vorhanden sind, was zu unscharfen oder unvollständigen Bildern führt, wenn wir sie am dringendsten benötigen.

Ein Forschungsteam der Universität Oxford hat einen Weg gefunden, diese verlorenen Informationen zurückzugewinnen. Sie haben ein neues Typus von optischem System entwickelt, das lernt, die Welt nicht nur dadurch zu sehen, wohin das Licht trifft, sondern wie die Lichtwellen miteinander interagieren. Anstatt eine Standardlinse zu verwenden, um ein Bild zu fokussieren, bauten sie eine Vorrichtung, die aus einer Serie dünner, transparenter Platten besteht. Diese Platten fokussieren das Licht nicht im herkömmlichen Sinne; stattdin verdrehen und verschieben sie die Lichtwellen, während diese hindurchtreten. Die Forscher nutzten leistungsstarke Computer-Algorithmen, um diesen Platten genau beizubringen, wie sie das Licht verdrehen müssen, um spezifische Probleme zu lösen – wie etwa zwei ähnliche Objekte voneinander zu unterscheiden oder eine winzige Distanz zu messen –, und zwar unter Verwendung der geringstmöglichen Anzahl an Photonen. Das Ergebnis ist ein System, das nahezu so gut abschneidet wie die absolut beste Messung, die durch die Gesetze der Physik erlaubt wird, und dabei herkömmliche Kameras sowie spezialisierte optische Werkzeuge, die für diese Aufgaben konzipiert wurden, weit übertrifft.

Der Kern dieses Durchbruchs liegt darin, wie die Forscher das Design ihres optischen Systems angegangen sind. Traditionell versuchen Wissenschaftler, den perfekten Weg zur Messung eines spezifischen Quantenzustands mittels komplexer Mathematik zu berechnen, wobei sie oft feststellen, dass die Lösung mit realen Materialien unmöglich umzusetzen ist. Hier drehte das Team das Skript um: Sie behandelten das optische System wie ein neuronales Netzwerk, eine Art künstliche Intelligenz. Sie simulierten den Pfad des Lichts durch einen Stapel aus acht transparenten Platten, von denen jede in ein Gitter aus winzigen Abschnitten unterteilt war. Der Computer passte die Form der Lichtwelle in jedem Abschnitt immer wieder an, in dem Ziel, den Fehler bei einer spezifischen Aufgabe zu minimieren. Wenn das Ziel darin bestand, zwei verschiedene Zelltypen zu unterscheiden, passte der Computer die Platten so lange an, bis die Lichtmuster dieser beiden Zellen am Detektor so unterschiedlich wie möglich waren. Wenn das Ziel darin bestand, eine Distanz zu messen, wurden die Platten so angepasst, dass die Messung so präzise wie möglich wurde. Dieser Prozess, bekannt als gradientenbasierte Optimierung, ermöglichte es dem System, physikalische Konfigurationen zu entdecken, die kein menschlicher Mathematiker so leicht vorhergesagt hätte.

Die Forscher testeten diese „gelernte diffraktive Optik“ an mehreren anspruchsvollen Szenarien. In einem Experiment ließen sie das System zwischen zwei nicht-orthogonalen Quantenzuständen des Lichts unterscheiden, bei denen es sich um Signale handelt, die sich signifikant überschneiden und schwer zu trennen sind. Eine Standardkamera, die lediglich die Lichtintensität aufnimmt, konnte sie nicht gut unterscheiden und machte Fehler in etwa 22 Prozent der Fälle. Das gelernte optische System hingegen reduzierte diese Fehlerrate auf nur 0,067 – eine Leistung, die innerhalb eines Bruchteils eines Prozents des durch die Quantenmechanik gesetzten theoretischen Limits liegt. Das bedeutet, dass das Gerät fast jedes mögliche Bit an Information aus jedem einzelnen Photon extrahiert, etwas, das eine Standardkamera schlichtweg nicht leisten kann.

Die Leistungsfähigkeit dieser Methode reicht über einfache binäre Entscheidungen hinaus. Das Team wandte sie auch auf die Schätzung kontinuierlicher Parameter an, wie etwa die Krümmung einer Lichtwelle oder den Abstand zwischen zwei schwachen Lichtpunkten. In einem berühmten Problem, bekannt als Rayleighs Fluch, versagt die Standardbildgebung vollständig, wenn zwei Lichtquellen näher beieinander liegen als die Wellenlänge des Lichts; das Bild wird zu einem einzigen verschwommenen Fleck, und der Abstand kann nicht gemessen werden. Die Forscher zeigten, dass ihre gelernte Optik dieses Limit überwinden kann. Indem sie die Platten darauf trainierten, die Lichtwellen spezifisch für diese Aufgabe zu manipulieren, konnte das System die Trennung zwischen zwei Punkten mit hoher Präzision bestimmen, selbst wenn diese extrem nah beieinander lagen. In diesen Simulationen benötigte die gelernte Optik einmal fünfundvierzigmal weniger Photonen als eine Standardkamera, um dieselbe Genauigkeit zu erreichen, wenn die Unschärfe schwerwiegend war.

Was diesen Ansatz besonders robust macht, ist, dass die Forscher die Antwort nicht im Voraus kennen müssen müssen. Sie mussten nicht die perfekte mathematische Formel für die optimale Messung kennen. Stattdessen definierten sie einfach das Ziel – etwa „Minimiere den Fehler bei der Identifizierung dieser Zelle“ – und überließen es dem Computer, die physikalische Anordnung der Platten zu finden, die dies erreichte. Dies ist eine signifikante Abkehr von bisherigen Methoden, bei denen Wissenschaftler optische Systeme manuell basierend auf bekannten mathematischen Basen entwerfen mussten, wie etwa den Hermite-Gaussian-Moden, die häufig in der Super-Resolution-Mikroskopie verwendet werden. Tatsächlich, als die Forscher ihr gelerntes System mit einem Gerät verglichen, das speziell für die Sortierung dieser bekannten Moden entwickelt wurde, schnitt ihr gelerntes System besser ab. Der Computer fand einen Weg, die Platten anzuordnen, der effektiver war als der vom Menschen entworfene Sortierer, wahrscheinlich weil er in der Lage war, die subtilen Unvollkommenheiten und Einschränkungen der physischen Hardware zu berücksichtigen, die ein theoretisches Design vielleicht übersehen würde.

Die Studie untersuchte auch, wie sich diese Systeme bei unterschiedlichen Photonenzahlen verhalten. In der realen Welt ist die Anzahl der verfügbaren Photonen oft begrenzt und unvorhersehbar. Die Forscher fanden heraus, dass ein System, das für eine spezifische Anzahl von Photonen trainiert wurde, für diese Anzahl am besten funktioniert, aber ein System, das darauf trainiert wurde, über einen breiten Bereich von Photonenzahlen hinweg gut zu funktionieren, sich an viele Situationen anpassen kann. Diese Flexibilität ist entscheidend für praktische Anwendungen, bei denen die Lichtintensität variiert. Darüber hinaus demonstrierte das Team, dass diese Methode sowohl für kohärentes Licht, wie es von einem Laser stammt, als auch für inkohärentes Licht, wie das von einem fernen Stern oder einer biologischen Probe, funktioniert. Diese Vielseitigkeit deutet darauf hin, dass die Technik nicht auf eine eng begrenzte Gruppe von Bedingungen beschränkt ist, sondern auf eine breite Palette von Sensorik- und Bildgebungsaufgaben angewendet werden kann.

Die physikalische Umsetzung dieser Technologie ist ebenfalls vielversprechend. Die in der Simulation verwendeten „Platten“ können mit bestehender Technologie gebaut werden, etwa mit räumlichen Lichtmodulatoren – Geräten, die die Phase des Lichts elektronisch verändern können – oder durch das Drucken statischer Phasenmasken. Die Forscher merkten an, dass der Optimierungsprozess sogar so gestaltet werden könnte, dass er reale Mängel berücksichtigt, wie etwa falsch ausgerichtete Platten oder Fertigungsfehler, wodurch sichergestellt wird, dass das Endgerät robust bleibt. Während die aktuellen Ergebnisse auf Computersimulationen basieren, ist der Weg zum Bau eines physischen Geräts klar. Die Methode beruht auf einem differenzierbaren Modell der Optik, was bedeutet, dass der Computer die Lichtausbreitung und den Lernprozess mit hoher Genauigkeit simulieren kann, was einen zuverlässigen Bauplan liefert.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie wir über optische Messungen denken. Über ein Jahrhundert lang war der Standardansatz, ein Bild aufzunehmen und es dann mit einem Computer zu verarbeiten. Diese neue Methode legt nahe, dass die Verarbeitung bereits vor der Entstehung des Bildes stattfinden sollte, eingebettet direkt in die Physik des Lichts selbst. Durch die Integration der Prinzipien der Quantenmechanik mit maschinellem Lernen haben die Forscher einen Rahmen geschaffen, in dem das Messgerät nicht nur ein passiver Rekorder, sondern ein aktiver Teilnehmer am Inferenzprozess ist. Das System lernt, das Licht so zu formen, dass die Information aus jedem einzelnen Photon maximal extrahiert wird, wodurch die Grenzen der Lichtmessung bei geringer Intensität verschoben werden.

Die Auswirkungen dieser Forschung reichen weit über das Labor hinaus. In Feldern wie der Astronomie, in denen jedes Photon aus einer fernen Galaxie kostbar ist, oder in der medizinischen Bildgebung, wo hochintensive Strahlung empfindliches Gewebe schädigen kann, ist die Fähigkeit, mit weniger Licht mehr zu sehen, transformativ. Die Forscher legen nahe, dass dieser Ansatz ein neues Feld der quantencomputationalen maschinellen Bildverarbeitung etablieren könnte, in dem die Grenzen der Bildgebung nicht durch die Qualität der Linse, sondern durch die Intelligenz des optischen Systems selbst neu definiert werden. Indem wir das Licht lehren, Informationen effizienter zu tragen, könnten wir bald in der Lage sein, das Unsichtbare mit einer Klarheit zu sehen, die zuvor als exklusives Terrain der Theorie galt.