Learned Diffractive Optics for Quantum-Optimal Inference

En los rincones silenciosos del universo donde la luz es escasa, como el espacio profundo o el interior de una célula viva bajo un microscopio, cada fotón cuenta. Estos diminutos paquetes de energía son los únicos mensajeros que transportan información sobre estrellas distantes o estructuras biológicas frágiles. Sin embargo, la forma en que tradicionalmente hemos capturado estas imágenes tiene un fallo fundamental. Las cámaras estándar simplemente registran dónde aterriza la luz, creando una imagen basada únicamente en el brillo. Este enfoque funciona bien cuando hay mucha luz, pero en condiciones de poca iluminación, la naturaleza aleatoria de la propia luz crea un ruido granulado que ahoga la señal. Más importante aún, este método tradicional desecha una capa sutil de información oculta dentro de la luz: la forma en que las ondas de luz se alinean entre sí. Al ignorar esta alineación, o coherencia, las cámaras convencionales pierden detalles críticos que la física cuántica dice que están ahí, dejándonos con imágenes borrosas o incompletas cuando más las necesitamos.

Un equipo de investigadores de la Universidad de Oxford ha encontrado una forma de recuperar esta información perdida. Han desarrollado un nuevo tipo de sistema óptico que aprende a ver el mundo no solo por dónde golpea la luz, sino por cómo interactúan las ondas de luz. En lugar de usar una lente estándar para enfocar una imagen, construyeron un dispositivo hecho de una serie de placas transparentes y delgadas. Estas placas no enfocan la luz en el sentido tradicional; en su lugar, retuercen y desplazan las ondas de luz a medida que pasan a través de ellas. Los investigadores utilizaron potentes algoritmos informáticos para enseñar a estas placas exactamente cómo retorcer la luz para resolver problemas específicos, como distinguir dos objetos similares o medir una distancia diminuta, todo ello utilizando la menor cantidad posible de fotones. El resultado es un sistema que funciona casi tan bien como la mejor medición absoluta permitida por las leyes de la física, superando con creces a las cámaras estándar e incluso a herramientas ópticas especializadas diseñadas para estas tareas.

El núcleo de este avance reside en cómo los investigadores abordaron el diseño de su sistema óptico. Tradicionalmente, los científicos intentarían calcular la forma perfecta de medir un estado cuántico específico mediante matemáticas complejas, encontrando a menudo que la solución era imposible de construir con materiales del mundo real. Aquí, el equipo cambió el guion. Trataron el sistema óptico como una red neuronal, un tipo de inteligencia artificial. Simularon el camino de la luz a través de una pila de ocho placas transparentes, cada una dividida en una cuadrícula de secciones diminutas. La computadora ajustó la forma de la onda de luz en cada sección, una y otra vez, tratando de minimizar el error en una tarea específica. Si el objetivo era distinguir entre dos tipos de células diferentes, la computadora ajustaba las placas hasta que los patrones de luz de esas dos células fueran lo más diferentes posible en el detector. Si el objetivo era medir una distancia, las placas se ajustaban para que la medición fuera lo más precisa posible. Este proceso, conocido como optimización basada en gradientes, permitió al sistema descubrir configuraciones físicas que ningún matemático humano habría predicho fácilmente.

Los investigadores probaron esta "óptica difractiva aprendida" en varios escenarios desafiantes. En un experimento, pidieron al sistema que distinguiera entre dos estados cuánticos no ortogonales de luz, que son como dos señales que se superponen significativamente y son difíciles de separar. Una cámara estándar, que solo toma una foto de la intensidad de la luz, falló al distinguirlos bien, cometiendo errores aproximadamente el 22 por ciento de las veces. El sistema óptico aprendido, sin embargo, redujo esta tasa de error a solo 0,067, un rendimiento que está a una fracción de porcentaje del límite teórico establecido por la mecánica cuántica. Esto significa que el dispositivo está extrayendo casi cada bit posible de información de cada fotón, algo que una cámara estándar simplemente no puede hacer.

El poder de este método se extiende más allá de las simples elecciones binarias. El equipo también lo aplicó para estimar parámetros continuos, como la curvatura de una onda de luz o la distancia entre dos puntos de luz tenues. En un problema famoso conocido como la maldición de Rayleigh, la imagen estándar falla por completo cuando dos fuentes de luz están más cerca entre sí que la longitud de onda de la luz; la imagen se convierte en un único punto borroso y la distancia no puede medirse. Los investigadores demostraron que su óptica aprendida podía superar este límite. Al entrenar las placas para manipular las ondas de luz específicamente para esta tarea, el sistema podía estimar la separación entre dos puntos con alta precisión, incluso cuando estaban extremadamente cerca uno del otro. En estas simulaciones, la óptica aprendida requirió cuarenta y una veces menos fotones que una cámara estándar para lograr el mismo nivel de precisión cuando el desenfoque era severo.

Lo que hace que este enfoque sea particularmente robusto es que no requiere que los investigadores conozcan la respuesta de antemano. No necesitaron conocer la fórmula matemática perfecta para la medición óptima. En su lugar, simplemente definieron el objetivo —como "minimizar el error en la identificación de esta célula"— y dejaron que la computadora encontrara la configuración física de las placas que lograra dicho objetivo. Esto es un cambio significativo respecto a los métodos anteriores, donde los científicos tenían que diseñar manualmente sistemas ópticos basados en bases matemáticas conocidas, como los modos Hermite-Gaussian utilizados habitualmente en la microscopía de superresolución. De hecho, cuando los investigadores compararon su sistema aprendido con un dispositivo diseñado específicamente para clasificar estos modos conocidos, su sistema aprendido funcionó mejor. La computadora encontró una forma de disponer las placas que era más efectiva que el clasificador diseñado por humanos, probablemente porque pudo tener en cuenta las imperfecciones sutiles y las limitaciones del hardware físico que un diseño teórico podría pasar por alto.

El estudio también exploró cómo se comportan estos sistemas con diferentes números de fotones. En el mundo real, la disponibilidad de fotones suele ser limitada e impredecible. Los investigadores descubrieron que un sistema entrenado para un número específico de fotones funcionaba mejor para ese número, pero un sistema entrenado para funcionar bien en un amplio rango de conteos de fotones podía adaptarse a muchas situaciones. Esta flexibilidad es crucial para aplicaciones prácticas donde los niveles de luz varían. Además, el equipo demostró que este método funciona tanto para la luz coherente, como la de un láser, como para la luz incoherente, como la de una estrella distante o una muestra biológica. Esta versatilidad sugiere que la técnica no se limita a un conjunto estrecho de condiciones, sino que podría aplicarse a una amplia gama de problemas de detección e imagen.

La realización física de esta tecnología también es prometedora. Las "placas" utilizadas en la simulación pueden construirse utilizando tecnología existente, como moduladores espaciales de luz, que son dispositivos capaces de cambiar la fase de la luz electrónicamente, o mediante la impresión de máscaras de fase estáticas. Los investigadores señalaron que el proceso de optimización incluso podría tener en cuenta los fallos del mundo real, como placas desalineadas o defectos de fabricación, asegurando que el dispositivo final siga siendo robusto. Aunque los resultados actuales se basan en simulaciones por computadora, el camino para construir un dispositivo físico es claro. El método se basa en un modelo diferenciable de la óptica, lo que significa que la computadora puede simular la propagación de la luz y el proceso de aprendizaje con alta fidelidad, proporcionando un plano fiable para su construcción.

Este trabajo representa un cambio en nuestra forma de pensar sobre la medición óptica. Durante más de un siglo, el enfoque estándar ha sido capturar una imagen y luego procesarla con una computadora. Este nuevo método sugiere que el procesamiento debería ocurrir antes de que la imagen se forme, integrado directamente en la física de la propia luz. Al integrar los principios de la mecánica cuántica con el aprendizaje automático, los investigadores han creado un marco en el que el dispositivo de medición no es solo un registrador pasivo, sino un participante activo en el proceso de inferencia. El sistema aprende a dar forma a la luz de manera que maximice la información extraída de cada fotón, ampliando los límites de lo que es posible en la detección de baja luminosidad.

Las implicaciones de esta investigación se extienden mucho más allá del laboratorio. En campos como la astronomía, donde cada fotón de una galaxia distante es precioso, o en la imagen médica, donde la luz de alta intensidad puede dañar tejidos delicados, la capacidad de ver más con menos luz es transformadora. Los investigadores sugieren que este enfoque podría establecer un nuevo campo de visión computacional cuántica, donde los límites de la imagen se redefinen no por la calidad de la lente, sino por la inteligencia del propio sistema óptico. Al enseñar a la luz a transportar la información de manera más eficiente, pronto podremos ver lo invisible con una claridad que antes se consideraba dominio exclusivo de la teoría.