Learned Diffractive Optics for Quantum-Optimal Inference

ब्रह्मांड के उन शांत कोनों में जहाँ प्रकाश दुर्लभ है, जैसे कि गहरा अंतरिक्ष या सूक्ष्मदर्शी के नीचे एक जीवित कोशिका के भीतर, यहाँ प्रत्येक एकल फोटॉन अत्यंत महत्वपूर्ण होता है। ये ऊर्जा के छोटे पैकेट ही दूर के तारों या नाजुक जैविक संरचनाओं के बारे में जानकारी ले जाने वाले एकमात्र संदेशवाहक हैं। हालाँकि, जिस तरह से हमने पारंपरिक रूप से इन छवियों को कैप्चर किया है, उसमें एक मौलिक दोष है। मानक कैमरे केवल यह रिकॉर्ड करते हैं कि प्रकाश कहाँ गिरता है, जिससे केवल चमक के आधार पर एक चित्र बनता है। यह दृष्टिकोण तब तो अच्छा काम करता है जब पर्याप्त प्रकाश हो, लेकिन कम रोशनी की स्थिति में, प्रकाश की अपनी यादृच्छिक प्रकृति एक दानेदार शोर (ग्रेनी नॉइज़) पैदा करती है जो सिग्नल को दबा देता है। इससे भी महत्वपूर्ण बात यह है कि यह पारंपरिक तरीका प्रकाश के भीतर छिपी सूचना की एक सूक्ष्म परत को भी फेंक देता है: जिस तरह से प्रकाश तरंगें एक-दूसरे के साथ संरेखित होती हैं। इस संरेखण, या सुसंगति (कोहेरेंस), को अनदेखा करके, पारंपरिक कैमरे उन महत्वपूर्ण विवरणों को खो देते हैं जिन्हें क्वांटम भौतिकी बताती है कि वे वहाँ मौजूद हैं, जिससे हमें तब धुंधली या अधूरी तस्वीरें मिलती हैं जब हमें उनकी सबसे अधिक आवश्यकता होती है।

ऑक्सफोर्ड विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस खोई हुई जानकारी को पुनः प्राप्त करने का एक तरीका खोज लिया है। उन्होंने एक नए प्रकार के ऑप्टिकल सिस्टम को विकसित किया है जो दुनिया को न केवल इस आधार पर देखता है कि प्रकाश कहाँ टकराता है, बल्कि इस आधार पर भी कि प्रकाश तरंगें कैसे परस्पर क्रिया करती हैं। एक पारंपरिक लेंस का उपयोग करके प्रकाश को केंद्रित करने के बजाय, उन्होंने पारदर्शी प्लेटों की एक श्रृंखला से बना एक उपकरण बनाया है। ये प्लेटें पारंपरिक अर्थों में प्रकाश को केंद्रित नहीं करती हैं; इसके बजाय, वे प्रकाश तरंगों के गुजरने के दौरान उन्हें घुमाती और बदलती हैं। शोधकर्ताओं ने शक्तिशाली कंप्यूटर एल्गोरिदम का उपयोग किया ताकि इन प्लेटों को विशिष्ट समस्याओं को हल करने के लिए प्रकाश को घुमाने का सटीक तरीका सिखाया जा सके, जैसे कि दो समान वस्तुओं के बीच अंतर करना या एक बहुत छोटी दूरी को मापना, और वह भी न्यूनतम संभव फोटॉन का उपयोग करते हुए। परिणाम स्वरूप, एक ऐसा सिस्टम प्राप्त हुआ जो भौतिकी के नियमों द्वारा अनुमत सर्वोत्तम माप के लगभग बराबर प्रदर्शन करता है, जो मानक कैमरों और यहाँ तक कि इन कार्यों के लिए डिज़ाइन किए गए विशेष ऑप्टिकल उपकरणों से भी कहीं बेहतर है।

इस सफलता का मूल इस बात में निहित है कि शोधकर्ताओं ने अपने ऑप्टिकल सिस्टम के डिज़ाइन के प्रति कैसे दृष्टिकोण अपनाया। पारंपरिक रूप से, वैज्ञानिक जटिल गणित का उपयोग करके किसी विशिष्ट क्वांटम अवस्था को मापने के सटीक तरीके को खोजने का प्रयास करते थे, और अक्सर यह पाते थे कि समाधान को वास्तविक दुनिया की सामग्रियों के साथ बनाना असंभव है। यहाँ, टीम ने स्क्रिप्ट को उलट दिया। उन्होंने ऑप्टिकल सिस्टम को एक न्यूरल नेटवर्क, जो कि कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है, की तरह माना। उन्होंने आठ पारदर्शी प्लेटों के ढेर के माध्यम से प्रकाश के पथ का अनुकरण किया, जिनमें से प्रत्येक को सूक्ष्म खंडों के ग्रिड में विभाजित किया गया था। कंप्यूटर ने प्रत्येक खंड में प्रकाश तरंग के आकार को बार-बार समायोजित किया, ताकि एक विशिष्ट कार्य में त्रुटि को कम किया जा सके। यदि लक्ष्य दो अलग-अलग कोशिका प्रकारों के बीच अंतर करना था, तो कंप्यूटर ने प्लेटों को तब तक बदला जब तक कि उन दो कोशिकाओं से आने वाले प्रकाश पैटर्न डिटेक्टर पर एक-दूसरे से यथासंभव भिन्न न हो गए। यदि लक्ष्य एक दूरी को मापना था, तो प्लेटों को माप को यथासंभव सटीक बनाने के लिए समायोजित किया गया था। इस प्रक्रिया को 'ग्रेडिएंट-बेस्ड ऑप्टिमाइज़ेशन' कहा जाता है, जिसने सिस्टम को ऐसे भौतिक विन्यास (कॉन्फ़िगरेशन) खोजने की अनुमति दी जिसे कोई भी मानव गणितज्ञ आसानी से अनुमानित नहीं कर पाता।

शोधकर्ताओं ने इस "लर्नड डिफ्रैक्टिव ऑप्टिक्स" (सीखी गई विवर्तनिक प्रकाशिकी) का कई चुनौतीपूर्ण परिदृश्यों में परीक्षण किया। एक प्रयोग में, उन्होंने सिस्टम को प्रकाश की दो गैर-ऑर्थोगोनल क्वांटम अवस्थाओं के बीच अंतर करने के लिए कहा, जो कि ऐसे संकेत हैं जो काफी हद तक ओवरलैप होते हैं और जिन्हें अलग करना कठिन होता है। एक मानक कैमरा, जो केवल प्रकाश की तीव्रता का चित्र लेता है, उन्हें स्पष्ट रूप से पहचानने में विफल रहा, जिससे लगभग 22 प्रतिशत बार त्रुटियां हुईं। हालाँकि, लर्नड ऑप्टिकल सिस्टम ने इस त्रुटि दर को घटाकर मात्र 0.067 कर दिया, जो कि क्वांटम मैकेनिक्स द्वारा निर्धारित सैद्धांतिक सीमा के एक अंश के भीतर है। इसका अर्थ है कि यह उपकरण प्रत्येक फोटॉन से लगभग हर संभव बिट जानकारी निकाल रहा है, जो एक मानक कैमरा साधारणतः नहीं कर सकता।

इस पद्धति की शक्ति केवल बाइनरी विकल्पों तक सीमित नहीं है। टीम ने निरंतर मापदंडों (कंटीन्यूअस पैरामीटर्स) का अनुमान लगाने के लिए भी इसका उपयोग किया, जैसे कि प्रकाश तरंग की वक्रता या दो मंद प्रकाश बिंदुओं के बीच की दूरी। रेले के शाप (रेले का श्राप) के रूप में ज्ञात एक प्रसिद्ध समस्या में, मानक इमेजिंग पूरी तरह से विफल हो जाती है जब दो प्रकाश स्रोत प्रकाश की तरंग दैर्ध्य (वेवलेंथ) से कम दूरी पर होते हैं; छवि एक एकल धुंधले धब्बे में बदल जाती है, और दूरी को मापा नहीं जा सकता। शोधकर्ताओं ने दिखाया कि उनकी लर्नड ऑप्टिक्स इस सीमा को पार कर सकती है। प्लेटों को विशेष रूप से इस कार्य के लिए प्रकाश तरंगों को हेरफेर करने हेतु प्रशिक्षित करके, सिस्टम अत्यधिक निकट होने पर भी दो बिंदुओं के बीच के अलगाव का उच्च सटीकता के साथ अनुमान लगा सका। इन सिमुलेशन में, जब धुंधलापन गंभीर था, तो मानक कैमरे की तुलना में समान स्तर की सटीकता प्राप्त करने के लिए लर्नड ऑप्टिक्स को चालीस एक गुना कम फोटॉन की आवश्यकता पड़ी।

जो इस दृष्टिकोण को विशेष रूप से मजबूत बनाता है, वह यह है कि इसके लिए शोधकर्ताओं को पहले से उत्तर जानने की आवश्यकता नहीं है। उन्हें सटीक गणितीय सूत्र जानने की आवश्यकता नहीं थी कि इष्टतम माप क्या होगा। इसके बजाय, उन्होंने केवल लक्ष्य को परिभाषित किया—जैसे कि "इस कोशिका की पहचान करने में त्रुटि को कम करें"—और कंप्यूटर को प्लेटों की उस भौतिक व्यवस्था को खोजने दिया जिसने इसे प्राप्त किया। यह पिछले तरीकों से एक महत्वपूर्ण विचलन है जहाँ वैज्ञानिकों को अक्सर हर्मिट-गॉसियन मोड जैसे ज्ञात गणितीय आधारों पर आधारित ऑप्टिकल सिस्टम को मैन्युअल रूप से डिजाइन करना पड़ता था। वास्तव में, जब शोधकर्ताओं ने अपने लर्नड सिस्टम की तुलना एक ऐसे उपकरण से की जो इन ज्ञात मोडों को छाँटने के लिए डिज़ाइन किया गया था, तो उनका लर्नड सिस्टम बेहतर प्रदर्शन करता पाया गया। कंप्यूटर ने प्लेटों को व्यवस्थित करने का एक ऐसा तरीका खोजा जो मानव-डिज़ाइन किए गए सॉर्टर की तुलना में अधिक प्रभावी था, संभवतः इसलिए क्योंकि यह भौतिक हार्डवेयर की सूक्ष्म खामियों और बाधाओं को भी ध्यान में रख सकता था जिसे एक सैद्धांतिक डिज़ाइन छोड़ सकता है।

अध्ययन ने यह भी पता लगाया कि ये सिस्टम फोटॉनों की विभिन्न संख्या के साथ कैसे व्यवहार करते हैं। वास्तविक दुनिया में, उपलब्ध फोटॉनों की संख्या अक्सर सीमित और अप्रत्याशित होती है। शोधकर्ताओं ने पाया कि एक विशिष्ट संख्या के फोटॉनों के लिए प्रशिक्षित सिस्टम उस संख्या के लिए सबसे अच्छा काम करता है, लेकिन एक ऐसा सिस्टम जो फोटॉनों की एक विस्तृत श्रृंखला में अच्छा प्रदर्शन करने के लिए प्रशिक्षित है, वह कई स्थितियों के अनुकूल हो सकता है। यह लचीलापन व्यावहारिक अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है जहाँ प्रकाश का स्तर बदलता रहता है। इसके अलावा, टीम ने प्रदर्शित किया कि यह विधि कोहेरेंट लाइट (जैसे लेजर से) और इनकोहेरेंट लाइट (जैसे दूर के तारे या जैविक नमूने से) दोनों के लिए काम करती है। यह बहुमुखी प्रतिभा बताती है कि यह तकनीक केवल एक संकीर्ण सेट की स्थितियों तक सीमित नहीं है, बल्कि इसे सेंसिंग और इमेजिंग की एक विस्तृत श्रृंखला की समस्याओं पर लागू किया जा सकता है।

इस तकनीक का भौतिक कार्यान्वयन भी आशाजनक है। सिमुलेशन में उपयोग की जाने वाली "प्लेटों" को मौजूदा तकनीक, जैसे कि स्थानिक प्रकाश मॉड्युलेटर (स्पेशियल लाइट मॉड्युलेटर्स) का उपयोग करके बनाया जा सकता है, जो ऐसे उपकरण हैं जो इलेक्ट्रॉनिक रूप से प्रकाश के चरण (फेज) को बदल सकते हैं, या प्रिंटेड स्टैटिक फेज मास्क द्वारा बनाया जा सकता है। शोधकर्ताओं ने उल्लेख किया कि ऑप्टिमाइज़ेशन प्रक्रिया को वास्तविक दुनिया की खामियों, जैसे कि गलत संरेखित प्लेटों या निर्माण दोषों को भी ध्यान में रखा जा सकता है, जिससे यह सुनिश्चित होता है कि अंतिम उपकरण मजबूत बना रहे। हालांकि वर्तमान परिणाम कंप्यूटर सिमुलेशन पर आधारित हैं, लेकिन एक भौतिक उपकरण बनाने का मार्ग स्पष्ट है। यह विधि एक 'डिफरेंशिएबल मॉडल' पर निर्भर करती है, जिसका अर्थ है कि कंप्यूटर उच्च निष्ठा के साथ प्रकाश प्रसार और सीखने की प्रक्रिया का अनुकरण कर सकता है, जिससे निर्माण के लिए एक विश्वसनीय ब्लूप्रिंट मिलता है।

यह कार्य इस बारे में हमारे सोचने के तरीके में एक बदलाव का प्रतिनिधित्व करता है कि ऑप्टिकल माप कैसे किया जाता है। एक सदी से अधिक समय से, मानक दृष्टिकोण यह रहा है कि एक छवि कैप्चर की जाए और फिर कंप्यूटर के माध्यम से उसे प्रोसेस किया जाए। यह नया तरीका सुझाव देता है कि प्रोसेसिंग को छवि बनने से पहले ही किया जाना चाहिए, जिसे सीधे प्रकाश के भौतिक विज्ञान में समाहित किया जा सकता है। क्वांटम मैकेनिक्स के सिद्धांतों को मशीन लर्निंग के साथ एकीकृत करके, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जहाँ माप उपकरण केवल एक निष्क्रिय रिकॉर्डर नहीं बल्कि निष्कर्ष प्रक्रिया (इंफरेंस प्रोसेस) में एक सक्रिय भागीदार है। सिस्टम प्रकाश को इस तरह से आकार देने के लिए सीखता है जिससे प्रत्येक फोटॉन से निकाली गई जानकारी अधिकतम हो सके, जिससे कम रोशनी वाले सेंसिंग की सीमाओं को आगे बढ़ाया जा सके।

इस शोध के निहितार्थ प्रयोगशाला से कहीं आगे तक फैले हुए हैं। खगोल विज्ञान जैसे क्षेत्रों में, जहाँ दूर की आकाशगंगा से आने वाला प्रत्येक फोटॉन कीमती है, या मेडिकल इमेजिंग में, जहाँ उच्च-तीव्रता वाला प्रकाश नाजुक ऊतकों को नुकसान पहुँचा सकता है, कम रोशनी के साथ अधिक देखने की क्षमता परिवर्तनकारी है। शोधकर्ता सुझाव देते हैं कि यह दृष्टिकोण 'क्वांटम कम्प्यूटेशनल मशीन विजन' के एक नए क्षेत्र को स्थापित कर सकता है, जहाँ इमेजिंग की सीमाएं लेंस की गुणवत्ता से नहीं, बल्कि ऑप्टिकल सिस्टम की बुद्धिमत्ता से पुनर्भाषित होती हैं। प्रकाश को अधिक कुशलता से जानकारी ले जाने के लिए सिखाकर, हम जल्द ही अदृश्य को उस स्पष्टता के साथ देख पाएंगे जो पहले केवल सिद्धांत के क्षेत्र तक सीमित मानी जाती थी।