Learned Diffractive Optics for Quantum-Optimal Inference

Dans les recoins tranquilles de l'univers où la lumière est rare, comme dans l'espace profond ou à l'intérieur d'une cellule vivante sous un microscope, chaque photon compte. Ces minuscules paquets d'énergie sont les seuls messagers transportant des informations sur des étoiles lointaines ou des structures biologiques fragiles. Cependant, la façon dont nous avons traditionnellement capturé ces images présente une faille fondamentale. Les caméras standards enregistrent simplement l'endroit où la lumière atterrit, créant une image basée uniquement sur la luminosité. Cette approche fonctionne bien lorsqu'il y a beaucoup de lumière, mais dans des conditions de faible luminosité, la nature aléatoire de la lumière elle-même crée un bruit granuleux qui submerge le signal. Plus important encore, cette méthode traditionnelle rejette une couche subtile d'informations cachées au sein de la lumière : la façon dont les ondes lumineuses s'alignent les unes avec les autres. En ignorant cet alignement, ou cohérence, les caméras conventionnelles manquent des détails critiques que la physique quantique affirme être présents, nous laissant avec des images floues ou incomplètes lorsque nous en avons le plus besoin.

Une équipe de chercheurs de l'Université d'Oxford a trouvé un moyen de récupérer cette information perdue. Ils ont développé un nouveau type de système optique qui apprend à voir le monde non seulement par l'endroit où la lumière frappe, mais aussi par la façon dont les ondes lumineuses interagissent. Au lieu d'utiliser une lentille standard pour focaliser une image, ils ont construit un dispositif composé d'une série de plaques transparentes et minces. Ces plaques ne focalisent pas la lumière au sens traditionnel ; au lieu de cela, elles tordent et décalent les ondes lumineuses lors de leur passage. Les chercheurs ont utilisé de puissants algorithmes informatiques pour enseigner à ces plaques exactement comment tordre la lumière afin de résoudre des problèmes spécifiques, tels que distinguer deux objets similaires ou mesurer une distance minuscule, tout en utilisant le moins de photons possible. Le résultat est un système qui performe presque aussi bien que la mesure absolue autorisée par les lois de la physique, surpassant de loin les caméras standard et même les outils optiques spécialisés conçus pour ces tâches.

Le cœur de cette percée réside dans la manière dont les chercheurs ont abordé la conception de leur système optique. Traditionnellement, les scientifiques tentaient de calculer la manière parfaite de mesurer un état quantique spécifique à l'aide de mathématiques complexes, trouvant souvent que la solution était impossible à construire avec des matériaux du monde réel. Ici, l'équipe a inversé la tendance. Ils ont traité le système optique comme un réseau de neurones, un type d'intelligence artificielle. Ils ont simulé le trajet de la lumière à travers une pile de huit plaques transparentes, chacune divisée en une grille de petites sections. L'ordinateur a ajusté la forme de l'onde lumineuse à chaque section, encore et encore, en essayant de minimiser l'erreur dans une tâche spécifique. Si l'objectif était de distinguer deux types de cellules différents, l'ordinateur ajustait les plaques jusqu'à ce que les motifs lumineux de ces deux cellules soient aussi différents que possible au niveau du détecteur. Si l'objectif était de mesurer une distance, les plaques étaient ajustées pour rendre la mesure la plus précise possible. Ce processus, connu sous le nom d'optimisation par gradient, a permis au système de découvrir des configurations physiques qu'aucun mathématicien humain n'aurait facilement prédites.

Les chercheurs ont testé cette « optique diffractive apprise » sur plusieurs scénarios exigeants. Dans une expérience, ils ont demandé au système de faire la différence entre deux états quantiques de lumière non orthogonaux, qui sont comme deux signaux qui se chevauchent considérablement et sont difficiles à séparer. Une caméra standard, qui ne prend qu'une photo de l'intensité lumineuse, a échoué à les distinguer correctement, commettant des erreurs environ 22 % du temps. Le système optique appris, cependant, a réduit ce taux d'erreur à seulement 0,067, une performance qui se situe à une fraction de pourcentage de la limite théorique fixée par la mécanique quantique. Cela signifie que le dispositif extrait presque chaque bit d'information possible de chaque photon, ce qu'une caméra standard ne peut tout simplement pas faire.

La puissance de cette méthode s'étend au-delà des simples choix binaires. L'équipe a également appliqué cela à l'estimation de paramètres continus, tels que la courbure d'une onde lumineuse ou la distance entre deux points lumineux ténus. Dans un problème célèbre connu sous le nom de malédiction de Rayleigh, l'imagerie standard échoue complètement lorsque deux sources de lumière sont plus proches l'une de l'autre que la longueur d'onde de la lumière ; l'image devient un point unique et flou, et la distance ne peut être mesurée. Les chercheurs ont montré que leur optique apprise pouvait surmonter cette limite. En entraînant les plaques à manipuler les ondes lumineuses spécifiquement pour cette tâche, le système pouvait estimer la séparation entre deux points avec une grande précision, même lorsqu'ils étaient extrêmement proches. Dans ces simulations, l'optique apprise nécessitait quarante et une fois moins de photons qu'une caméra standard pour atteindre le même niveau de précision lorsque le flou était sévère.

Ce qui rend cette approche particulièrement robuste est qu'elle ne nécessite pas que les chercheurs connaissent la réponse à l'avance. Ils n'avaient pas besoin de connaître la formule mathématique parfaite pour la mesure optimale. Au lieu de cela, ils ont simplement défini l'objectif — comme « minimiser l'erreur d'identification de cette cellule » — et ont laissé l'ordinateur trouver l'arrangement physique des plaques qui l'atteignait. Il s'agit d'un changement significatif par rapport aux méthodes précédentes où les scientifiques devaient concevoir manuellement des systèmes optiques basés sur des bases mathématiques connues, comme les modes Hermite-Gaussian souvent utilisés en microscopie de super-résolution. En fait, lorsque les chercheurs ont comparé leur système appris à un dispositif spécifiquement conçu pour trier ces modes connus, leur système appris a obtenu de meilleurs résultats. L'ordinateur a trouvé un moyen d'organiser les plaques qui était plus efficace que le trieur conçu par l'homme, probablement parce qu'il pouvait tenir compte des imperfections subtiles et des contraintes du matériel physique qu'une conception théorique pourrait omettre.

L'étude a également exploré comment ces systèmes se comportent avec différents nombres de photons. Dans le monde réel, le nombre de photons disponibles est souvent limité et imprévisible. Les chercheurs ont constaté qu'un système entraîné pour un nombre spécifique de photons fonctionnait mieux pour ce nombre, mais qu'un système entraîné pour bien performer sur une large gamme de comptages de photons pouvait s'adapter à de nombreuses situations. Cette flexibilité est cruciale pour les applications pratiques où les niveaux de lumière varient. De plus, l'équipe a démontré que cette méthode fonctionne aussi bien pour la lumière cohérente, comme celle d'un laser, que pour la lumière incohérente, comme celle d'une étoile lointaine ou d'un échantillon biologique. Cette polyvalence suggère que la technique n'est pas limitée à un ensemble étroit de conditions, mais pourrait être appliquée à un large éventail de problèmes de détection et d'imagerie.

La réalisation physique de cette technologie est également prometteuse. Les « plaques » utilisées dans la simulation peuvent être construites avec la technologie existante, telle que les modulateurs spatiaux de lumière, qui sont des disposités capables de changer la phase de la lumière électroniquement, ou par l'impression de masques de phase statiques. Les chercheurs ont noté que le processus d'optimisation pourrait même tenir compte des défauts du monde réel, tels que des plaques mal alignées ou des défauts de fabrication, garantissant que le dispositif final reste robuste. Bien que les résultats actuels soient basés sur des simulations informatiques, le chemin vers la construction d'un dispositif physique est clair. La méthode repose sur un modèle différentiable de l'optique, ce qui signifie que l'ordinateur peut simuler la propagation de la lumière et le processus d'apprentissage avec une haute fidélité, fournissant un plan fiable pour la construction.

Ce travail représente un changement dans notre façon de concevoir la mesure optique. Pendant plus d'un siècle, l'approche standard a été de capturer une image, puis de la traiter avec un ordinateur. Cette nouvelle méthode suggère que le traitement devrait avoir lieu avant même que l'image ne soit formée, intégré directement dans la physique même de la lumière. En intégrant les principes de la mécanique quantique avec l'apprentissage automatique, les chercheurs ont créé un cadre où le dispositif de mesure n'est pas seulement un enregistreur passif, mais un participant actif au processus d'inférence. Le système apprend à façonner la lumière de manière à maximiser l'information extraite de chaque photon, repoussant les limites de ce qui est possible dans la détection à faible luminosité.

Les implications de cette recherche s'étendent bien au-delà du laboratoire. Dans des domaines comme l'astronomie, où chaque photon provenant d'une galaxie lointaine est précieux, ou dans l'imagerie médicale, où une lumière de haute intensité peut endommager des tissus délicats, la capacité de voir plus avec moins de lumière est transformatrice. Les chercheurs suggèrent que cette approche pourrait établir un nouveau champ de vision par machine computationnelle quantique, où les limites de l'imagerie sont redéfinies non pas par la qualité de la lentille, mais par l'intelligence du système optique lui-même. En apprenant à la lumière comment transporter l'information plus efficacement, nous pourrons bientôt voir l'invisible avec une clarté que l'on pensait auparavant être l'exclusivité de la théorie.