Learned Diffractive Optics for Quantum-Optimal Inference

Negli angoli silenziosi dell'universo dove la luce è scarsa, come nello spazio profondo o all'interno di una cella vivente sotto un microscopio, ogni singolo fotone conta. Questi minuscoli pacchetti di energia sono gli unici messaggeri che trasportano informazioni su stelle lontane o fragili strutture biologiche. Tuttavia, il modo in cui abbiamo tradizionalmente catturato queste immagini presenta un difetto fondamentale. Le fotocamere standard registrano semplicemente dove la luce atterra, creando un'immagine basata solo sulla luminosità. Questo approccio funziona bene quando c'è molta luce, ma in condizioni di scarsa illuminazione, la natura casuale della luce stessa crea un rumore granuloso che sovrasta il segnale. Più importante ancora, questo metodo tradizionale scarta uno strato sottile di informazioni nascosto nella luce: il modo in cui le onde luminose si allineano tra loro. Ignorando questo allineamento, o coerenza, le fotocamere convenzionali perdono dettagli critici che la fisica quantistica afferma essere presenti, lasciandoci con immagini sfocate o incomplete quando ne abbiamo più bisogno.

Un team di ricercatori dell'Università di Oxford ha trovato un modo per reclamare questa informazione perduta. Hanno sviluppato un nuovo tipo di sistema ottico che impara a vedere il mondo non solo per dove la luce colpisce, ma per come le onde luminose interagiscono. Inve di usare una lente standard per mettere a fuoco un'immagine, hanno costruito un dispositivo composto da una serie di sottili piastre trasparenti. Queste piastre non mettono a fuoco la luce nel senso tradizionale; invece, torcono e spostano le onde luminose mentre passano attraverso di esse. I ricercatori hanno usato potenti algoritmi informatici per insegnare a queste piastre esattamente come torcere la luce per risolvere problemi specifici, come distinguere due oggetti simili o misurare una distanza minuscola, il tutto utilizzando il minor numero possibile di fotoni. Il risultato è un sistema che performa quasi quanto il miglior misuramento assoluto consentito dalle leggi della fisica, superando di gran lunga le fotocamere standard e persino strumenti ottici specializzati progettati per questi compiti.

Il cuore di questa svolta risiede nel modo in cui i ricercatori hanno approcciato la progettazione del loro sistema ottico. Tradizionalmente, gli scienziati avrebbero cercato di calcolare il modo perfetto per misurare uno stato quantistico specifico usando una matematica complessa, trovando spesso che la soluzione fosse impossibile da costruire con materiali del mondo reale. Qui, il team ha ribaltato la prospettiva. Hanno trattato il sistema ottico come una rete neurale, un tipo di intelligenza artificiale. Hanno simulato il percorso della luce attraverso una pila di otto piastre trasparenti, ciascuna divisa in una griglia di piccole sezioni. Il computer ha regolato la forma dell'onda luminosa in ogni sezione, ripetutamente, cercando di minimizzare l'errore in un compito specifico. Se l'obiettivo era distinguere tra due diversi tipi di cellule, il computer ha perfezionato le piastre finché i pattern luminosi di quelle due cellule non fossero stati il più diversi possibile al rilevatore. Se l'obiettivo era misurare una distanza, le piastre sono state regolate per rendere la misurazione il più precisa possibile. Questo processo, noto come ottimizzazione basata sul gradiente, ha permesso al sistema di scoprire configurazioni fisiche che nessun matematico umano avrebbe facilmente previsto.

I ricercatori hanno testato questa "ottica diffrattiva appresa" su diversi scenari impegnativi. In un esperimento, hanno chiesto al sistema di distinguere tra due stati quantistici non ortogonali della luce, che sono come due segnali che si sovrappongono significativamente ed sono difficili da separare. Una fotocamera standard, che registra solo l'intensità della luce, non è riuscita a distinguerli bene, commettendo errori circa il 22 percento delle volte. Il sistema ottico appreso, tuttavia, ha ridotto questo tasso di errore a soli 0,067, una prestazione che rientra in una frazione di percentuale del limite teorico stabilito dalla meccanica quantistica. Ciò significa che il dispositivo sta estraendo quasi ogni bit possibile di informazione da ogni fotone, qualcosa che una fotocamera standard semplicemente non può fare.

Il potere di questo metodo si estende oltre le semplici scelte binarie. Il team ha applicato il metodo anche alla stima di parametri continui, come la curvatura di un'onda luminosa o la distanza tra due deboli punti di luce. In un problema famoso noto come la maledizione di Rayleigh, l'imaging standard fallisce completamente quando due sorgenti luminose sono più vicine tra loro della lunghezza d'onda della luce; l'immagine diventa un unico punto sfocato e la distanza non può essere misurata. I ricercatori hanno dimostrato che la loro ottica appresa può superare questo limite. Addestrando le piastre a manipolare le onde luminose specificamente per questo compito, il sistema è stato in grado di stimare la separazione tra due punti con alta precisione, anche quando erano estremamente vicini. In queste simulazioni, l'ottica appresa ha richiesto quarantuno volte meno fotoni di una fotocamera standard per raggiungere lo stesso livello di accuratezza quando la sfocatura era severa.

Ciò che rende questo approccio particolarmente robusto è che non richiede ai ricercatori di conoscere la risposta in anticipo. Non avevano bisogno di conoscere la formula matematica perfetta per la misurazione ottimale. Invece, hanno semplicemente definito l'obiettivo — come "minimizzare l'errore nell'identificare questa cellula" — e hanno lasciato che il computer trovasse la disposizione fisica delle piastre che lo otteneva. Questo rappresenta un distacco significativo rispetto ai metodi precedenti in cui gli scienziati dovevano progettare manualmente sistemi ottici basati su basi matematiche note, come i modi Hermite-Gaussian comunemente usati nella microscopia a super-risoluzione. Infatti, quando i ricercatori hanno confrontato il loro sistema appreso con un dispositivo progettato specificamente per classificare questi modi noti, il loro sistema appreso ha ottenuto prestazioni migliori. Il computer ha trovato un modo per disporre le piastre che era più efficace del classificatore progettato dall'uomo, probabilmente perché poteva tenere conto delle sottili imperfezioni e dei vincoli dell'hardware fisico che un design teorico potrebbe ignorare.

Lo studio ha anche esplorato come questi sistemi si comportano con diversi numeri di fotoni. Nel mondo reale, il numero di fotoni disponibili è spesso limitato e imprevedibile. I ricercatori hanno scoperto che un sistema addestrato per un numero specifico di fotoni funziona meglio per quel numero, ma un sistema addestrato per funzionare bene attraverso una vasta gamma di conteggi di fotoni può adattarsi a molte situazioni. Questa flessibilità è cruciale per applicazioni pratiche in cui i livelli di luce variano. Inoltre, il team ha dimostrato che questo metodo funziona sia per la luce coerente, come quella di un laser, sia per la luce incoerente, come quella di una stella distante o di un campione biologico. Questa versatilità suggerisce che la tecnica non è limitata a un insieme ristretto di condizioni, ma potrebbe essere applicata a una vasta gamma di problemi di rilevamento e imaging.

La realizzazione fisica di questa tecnologia è altrettanto promettente. Le "piastre" utilizzate nella simulazione possono essere costruite utilizzando tecnologie esistenti, come i modulatori spaziali di luce, ovvero dispositivi che possono cambiare la fase della luce elettronicamente, o stampando maschere di fase statiche. I ricercatori hanno notato che il processo di ottimizzazione potrebbe persino tenere conto dei difetti del mondo reale, come piastre disallineate o difetti di fabbricazione, garantendo che il dispositivo finale rimanga robusto. Sebbene i risultati attuali si basino su simulazioni al computer, il percorso per costruire un dispositivo fisico è chiaro. Il metodo si basa su un modello differenziabile dell'ottica, il che significa che il computer può simulare la propagazione della luce e il processo di apprendimento con alta fedeltà, fornendo un progetto affidabile per la costruzione.

Questo lavoro rappresenta un cambiamento nel modo in cui pensiamo alla misurazione ottica. Per oltre un secolo, l'approccio standard è stato quello di catturare un'immagine e poi elaborarla con un computer. Questo nuovo metodo suggerisce che l'elaborazione debba avvenire prima che l'immagine venga formata, incorporata direttamente nella fisica della luce stessa. Integrando i principi della meccanica quantistica con l'apprendimento automatico, i ricercatori hanno creato un quadro in cui il dispositivo di misurazione non è solo un registratore passivo, ma un partecipante attivo nel processo di inferenza. Il sistema impara a dare forma alla luce in modo da massimizzare l'informazione estratta da ogni singolo fotone, spingendo i confini di ciò che è possibile nella rilevazione a bassa luminosità.

Le implicazioni di questa ricerca vanno ben oltre il laboratorio. In campi come l'astronomia, dove ogni fotone proveniente da una galassia lontana è prezioso, o nell'imaging medico, dove la luce ad alta intensità può danneggiare tessuti delicati, la capacità di vedere di più con meno luce è trasformativa. I ricercatori suggeriscono che questo approccio potrebbe stabilire un nuovo campo di visione artificiale computazionale quantistica, dove i limiti dell'imaging sono ridefiniti non dalla qualità della lente, ma dall'intelligenza del sistema ottico stesso. Insegnando alla luce come trasportare l'informazione in modo più efficiente, potremmo presto essere in grado di vedere l'invisibile con una chiarezza che prima era considerata esclusiva della teoria.