Bayesian inversion for single-shot spectral-encoded waveform reconstruction

Sintesi Tecnica: Inversione Bayesiana per la Ricostruzione di Forma d'Onda Spettralmente Codificata a Singolo Scatto

Definizione del Probleamento
La codifica spettrale consente misurazioni a singolo scatto di transitori ultrafast, mappando le informazioni temporali sul numero di spettro di un impulso sonda chirpatura. Questa tecnica è fondamentale per catturare fenomeni non ripetitivi o irreversibili, come la dinamica dei plasmi e la diffrazione elettronica, che superano i limiti di risposta dei convenzionali rilevatori elettronici. Tuttavia, il metodo soffre di limitazioni fondamentali:

1. Perdita di Fase: Le misurazioni registrano solo l'intensità spettrale, causando la perdita delle informazioni di fase nei segnali codificati.
2. Distorsione Indotta dalla Dispersione: Il processo di rilevamento introduce dispersione, creando un compromesso tra risoluzione temporale e finestra di misurazione. Ciò si manifesta come distorsioni della forma d'onda e "frequenze di nullo spettrale" dove l'informazione del segnale viene persa.
3. Sfide di Ricostruzione: I metodi di inversione esistenti, come la regolarizzazione di Tikhonov o la SVD troncata (Truncated Singular Value Decomposition - TSVD), richiedono spesso una conoscenza preventiva della forma d'onda indistorta o si basano su spazi di modi singolari astratti che non possono essere guidati da caratteristiche fisiche della misurazione. Inoltre, tali metodi sono altamente sensibili al rumore in prossimità dei nulli spettrali, limitando la larghezza di banda recuperabile.
4. Complessità dell'Hardware: I precedenti tentativi di mitigare questi problemi (ad esempio, il campionamento elettro-ottico con diversità di fase o il rilevamento a doppio stadio) richiedono hardware ottico aggiuntivo, aumentando la complessità del sistema e l'incertezza di allineamento.

Metodologia
Gli autori propongono un framework di inversione bayesiana per recuperare la forma d'onda terahertz (THz) sottostante dal l'osservabile spettrale al quadrato senza aggiungere hardware ottico. L'approccio tratta la ricostruzione come un problema di inferenza probabilistica:

• Modello Forward: Il framework utilizza un modello fisico forward che descrive il processo di codifica spettrale. L'intensità misurata è modellata come il modulo al quadrato della convoluzione tra il campo sonda chirpato e il campo THz target, modulato da un kernel. Ciò tiene conto dei termini di distorsione non lineare derivanti dal vicinato temporale finito del campionamento spettrale.
• Parametrizzazione: L'inversione inferisce congiuntamente:
  • Il campo elettrico THz target, $E_{THz}(t)$.
  • Parametri di disturbo (nuisance parameters), inclusi il coefficiente di modulazione $k$ e parametri empirici a bassa dimensionalità che descrivono lo spettro della sonda.
• Caratterizzazione della Sonda: Il campo sonda chirpato è caratterizzato empiricamente tramite misurazioni scatto-a-scatto dello spettro della sonda non modulata e del suo profilo di ritardo di gruppo. L'Analisi delle Componenti Principali (PCA) viene applicata per comprimere l'insieme della sonda, mantenendo le componenti dominanti che catturano le variazioni principali, modellando le deviazioni scatto-a-scatto come pesi latenti con prior gaussiani a media nulla.
• Prior:
  • Prior di Processo Gaussiano (GP): Un prior GP è assegnato alla forma d'onda THz. Crucialmente, la scala di correlazione del GP è determinata direttamente dalla struttura dei nulli spettrali osservata nella misurazione a singolo scatto. Ciò consente al prior di coprire le frequenze di nullo senza richiedere una misurazione di riferimento separata con linea di ritardo.
  • Coefficiente di Modulazione: Un prior super-gaussiano è applicato al fattore di modulazione $k$, vincolato entro un intervallo stimato fisicamente.
• Algoritmi di Inferenza: La distribuzione a posteriori viene esplorata utilizzando due metodi:
  • Massima A Posteriori (MAP): Un ottimizzatore quasi-Newton BFGS minimizza il logaritmo negativo della distribuzione a posteriori per trovare la forma d'onda più probabile.
  • Algoritmo di Langevin Corretto con Metropolis (MALA): Utilizzato come benchmark di campionamento completo per caratterizzare la distribuzione a posteriori e l'incertezza, precondizionato dall'Hessiana MAP.

Risultati Chiave
Il framework è stato validato utilizzando esperimenti di spettroscopia THz nel dominio del tempo (THz-TDS) a singolo scatto attraverso sei configurazioni, variando due profili spettrali della sonda (con e senza un elemento di zaffiro) e tre condizioni di chirp (utilizzando rod di vetro SF11 da 50, 100 e 150 mm, producendo parametri di chirp $\alpha$ da 14,5 a 40 ps$^{-2}$).

• Recupero della Forma d'Onda: In tutti i casi, l'inversione bayesiana ha ricostruito con successo la forma d'onda THz nel tempo entro l'intervallo di credibilità al 95% rispetto a una misurazione di riferimento con linea di ritardo. Le stime MAP hanno ridotto significativamente i residui rispetto ai dati grezzi a singolo scatto, in particolare nelle regioni di rapida variazione del campo dove la distorsione è più severa.
• Recupero dei Nulli Spettrali: Il metodo ha recuperato efficacementamente il contenuto spettrale perso alle frequenze di nullo. Mentre gli spettri grezzi a singolo scatto esibivano nulli di ampiezza e salti di fase, le stime MAP hanno colmato queste lacune, recuperando l'inviluppo di ampiezza e i profili di fase coerenti con la misitura di riferimento con linea di ritardo.
• Robustezza al Rumore: Il prior GP ha dimostrato una robustezza al rumore superiore rispetto alla regolarizzazione basata su SVD. Mantenendo i modi deboli supportati dal prior anziché scartarli esclusivamente in base alla magnitudo dei valori singolari, il framework ha mantenuto un rapporto segnale-rumore vicino all'unità alle frequenze di nullo, laddove la regolarizzazione di Tikhonov mostrava una significativa soppressione dell'ampiezza.
• Efficienza Algoritmica: È stato riscontrato che la stima MAP è sufficiente per la ricostruzione sperimentale, mostrando un accordo stretto con il campionamento MALA, più computazionalmente intensivo, consentendo così un'elaborazione efficiente dei dati sperimentali.

Significato e Rivendicazioni
L'articolo rivendica di aver dimostrato la prima inversione algoritmica di forme d'onda spettralmente codificate a singolo scatto che ripristina la risoluzione temporale e recupera il contenuto spettrale perduto senza la necessità di hardware ottico aggiuntivo o complessi allineamenti.

• Indipendenza dall'Hardware: Il metodo elimina le penalità associate al processo di rilevamento correggendo numericamente le distorsioni, evitando la necessità di ottiche extra (ad esempio, cristalli non lineari, linee di ritardo) richieste dalle precedenti soluzioni basate su hardware.
• Operatività Senza Riferimento: Il framework riduce la dipendenza da una misurazione di riferimento per la ricostruzione quantitativa. Derivando il prior direttamente dalle caratteristiche del fascio sonda e dai nulli spettrali della misurazione stessa, esso consente la ricostruzione anche quando la vera forma d'onda target è ignota a priori.
• Generalità di Applicazione: Gli autori sostengono che il modellamento esplicito del problema forward e l'uso di prior informati fisicamente forniscano una via generale per la spettroscopia quantitativa a singolo scatto. La formulazione è adattabile ad altre modalità di codifica spettrale (ad esempio, spettroscopia pump-probe, photonic time-stretch) che soffrono di simili distorsioni di perdita di fase, permettendo ai dati spettralmente codificati esistenti di essere reinterpretati a livello software.