Experimental visual quantum state discrimination
Cet article introduit une approche pilotée par l'IA utilisant un réseau de neurones optiques diffractifs entraîné pour optimiser les mesures quantiques pour la vision par ordinateur, atteignant des erreurs de discrimination exponentiellement plus faibles que l'imagerie directe en maximisant l'extraction d'informations de chaque photon et en atténuant efficacement le bruit du détecteur.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la vision, qu'elle soit humaine ou mécanique, il existe un compromis fondamental entre la clarté et la quantité de lumière disponible. La plupart des systèmes de vision, des caméras de nos téléphones aux télescopes qui scannent le ciel nocturne, fonctionnent en capturant une image complète d'une scène, puis en utilisant un ordinateur pour analyser ce qui s'y trouve. Cette méthode fonctionne magnifiquement lorsqu'il y a beaucoup de lumière, permettant au système de traiter la lumière comme une onde continue. Cependant, dans de nombreuses situations critiques, comme l'observation de cellules vivantes délicates sous un microscope ou la détection d'objets à de grandes distances, la lumière est rare. Dans ces conditions de faible luminosité, la nature même de la lumière en tant que particules discrètes crée une incertitude granuleuse appelée bruit de grenaille (shot noise), tandis que les caméras elles-mêmes introduisent leur propre statique. Lorsque la lumière est aussi rare, l'approche traditionnelle consistant à prendre une photo puis à la nettoyer échoue souvent car l'acte de capturer l'image détruit une partie de l'information avant même que l'ordinateur ne puisse commencer à l'analyser.
Une équipe de chercheurs de l'Université d'Oxford a trouvé un moyen de contourner cette limitation en changeant le moment même de la capture. Au lieu d'essayer de corriger une image floue ou bruitée après qu'elle a été prise, ils ont conçu un système qui apprend à mesurer la lumière de la manière la plus efficace possible pour une tâche spécifique. En utilisant l'intelligence artificielle pour entraîner un dispositif optique spécial, ils ont créé un processus de mesure qui extrait le maximum d'informations utiles de chaque photon arrivant. Leur travail démontre que pour des tâches telles que distinguer un chat d'un chien dans une pièce sombre, il est préférable de concevoir la lentille de la caméra pour répondre directement à la question spécifique, plutôt que d'essayer de reconstruire d'abord une image parfaite. Cette approche permet aux machines de distinguer des objets avec beaucoup moins de photons que ce qui était auparavant jugé possible, même lorsque les détecteurs sont tourmentés par un bruit électronique important.
Les chercheurs se sont concentrés sur un problème où un ordinateur doit décider à quelle catégorie parmi plusieurs un objet appartient, comme identifier si une image contient un chat ou un chien. Dans une configuration standard, la caméra enregistre l'intensité de la lumière en chaque point, créant ainsi une image complète. Les chercheurs ont montré que pour les deux classes d'images qu'ils ont utilisées, les images résultantes étaient si similaires qu'un œil humain, ou un algorithme informatique standard, pouvait à peine les distinguer. L'information nécessaire pour les différencier était cachée dans les relations quantiques subtiles entre les photons, qui sont perdues lorsqu'une caméra standard enregistre simplement la luminosité. Pour récupérer cette information cachée, l'équipe a remplacé la lentille standard par un réseau neuronal optique diffractif. Ce dispositif se compose d'une série de plaques transparentes dotées de motifs microscopiques gravés. À mesure que la lumière traverse ces plaques, les motifs remodèlent le champ lumineux, mélangeant et réorganisant efficacement les photons avant qu'ils n'atteignent le détecteur.
L'innovation clé résidait dans la manière dont ils ont appris à ces plaques à fonctionner. Les chercheurs ont utilisé deux objectifs d'entraînement différents. Le premier objectif était de prendre la meilleure décision possible en utilisant un seul photon. Le second, et le plus fructueux, était d'optimiser la rapidité avec laquelle le système pouvait prendre une décision correcte à mesure que de plus en plus de photons arrivaient. Ils ont découvert que la stratégie pour un seul photon était différente de la stratégie pour de nombreux photons. Une mesure conçue pour être parfaite pour un photon se révélait en réalité peu performante lorsque de nombreux photons étaient disponibles. En entraînant le réseau optique pour maximiser le taux de diminution des erreurs à mesure que le nombre de photons augmentait, le système a appris à rejeter les parties de la lumière qui étaient identiques pour les chats et les chiens, se concentrant uniquement sur les caractéristiques qui importaient. Cela a permis au système d'atteindre un taux d'erreur qui chutait exponentiellement plus vite que les méthodes d'imagerie traditionnelles.
Pour prouver que cela fonctionnait dans le monde réel, l'équipe a construit un montage expérimental utilisant des lasers et des modulateurs spatiaux de lumière pour créer les images et le réseau optique. Ils ont testé le système dans deux scénarios. Premièrement, ils ont simulé un environnement parfait et sans bruit pour observer les limites théoriques. Dans ce cadre, la nouvelle méthode réduisait le taux d'erreur de manière spectaculaire par rapport à l'imagerie directe. Plus important encore, ils ont testé le système avec une véritable caméra extrêmement bruitée, simulant des conditions où le détecteur produit environ 10 000 faux signaux pour chaque photon réel. Dans cet environnement hostile, le réseau optique entraîné a appris à concentrer la lumière sur une zone plus étroite du capteur. En concentrant le signal, le système ignorait efficacement la vaste majorité des pixels bruyants, lui permettant de distinguer les objets avec un niveau de précision impossible pour les caméras standards, même lorsque ces dernières recevaient la même quantité de lumière.
L'étude a également exploré si cette méthode pouvait gérer plus de deux catégories. En utilisant un ensemble de données comprenant dix types de vêtements différents, ils ont découvert que le même principe s'appliquait. Le système optimisé pour de nombreux photons surpassait systématiquement l'imagerie standard et la version optimisée pour le photon unique une fois qu'une quantité suffisante de lumière était collectée. Bien que le système n'ait pas atteint la limite absolue de ce qui est physiquement possible, il s'en est approché de manière significative par rapport à toute méthode précédente. Les chercheurs ont noté que la performance s'améliorait à mesure qu'ils augmentaient la complexité du réseau optique, suggérant que des résultats encore meilleurs pourraient être obtenus avec davantage de couches. Ce travail établit que le goulot d'étranglement de la vision en faible luminosité n'est pas seulement le manque de photons, mais la façon dont nous choisissons de les mesurer. En utilisant l'intelligence artificielle pour concevoir la mesure elle-même, plutôt que de simplement analyser les données, il est possible de voir clairement dans l'obscurité là où les méthodes conventionnelles ne voient que du bruit.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.