Experimental visual quantum state discrimination
Questo articolo introduce un approccio guidato dall'IA che utilizza una rete neurale ottica diffrattiva addestrata per ottimizzare le misurazioni quantistiche per la visione artificiale, ottenendo errori di discriminazione esponenzialmente inferiori rispetto all'imaging diretto massimizzando l'estrazione di informazioni da ogni fotone e mitigando efficacemente il rumore del rilevatore.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della visione, sia essa umana o meccanica, esiste un compromesso fondamentale tra la chiarezza e la quantità di luce disponibile. La maggior parte dei sistemi di visione, dalle fotocamere dei nostri telefoni ai telescopi che scansionano il cielo notturno, lavora catturando un'immagine completa di una scena e poi utilizzando un computer per analizzare ciò che vi è contenuto. Questo metodo funziona magnificamente quando c'è molta luce, permettendo al sistema di trattare la luce come un'onda continua. Tuttavia, in molte situazioni critiche, come l'osservazione di delicate cellule viventi al microscopio o il rilevamento di oggetti da grandi distanze, la luce è scarsa. In queste condizioni di scarsità, la natura stessa della luce come particelle discrete crea un'incertezza granulosa nota come rumore di shot, mentre le fotocamere stesse introducono il proprio disturbo elettronico. Quando la luce è così scarsa, l'approccio tradizionale di scattare una foto e poi pulirla spesso fallisce perché l'atto di catturare l'immagine distrugge parte dell'informazione prima ancora che il computer possa iniziare a esaminarla.
Un team di ricercatori dell'Università di Oxford ha trovato un modo per aggirare questo limite cambiando il momento stesso della cattura. Invece di cercare di correggere un'immagine sfocata o rumorosa dopo che è stata scattata, hanno progettato un sistema che impara come misurare la luce nel modo più efficiente possibile per un compito specifico. Utilizzando l'intellness artificiale per addestrare un dispositivo ottico speciale, hanno creato un processo di misurazione che estrae la massima quantità di informazione utile da ogni singolo fotone che arriva. Il loro lavoro dimostra che per compiti come distinguere un gatto da un cane in una stanza buia, è meglio progettare la lente della fotocamera affinché risponda direttamente alla domanda specifica, piuttosto che cercare di ricostruire prima un'immagine perfetta. Questo approccio permette alle macchine di distinguere tra oggetti con molti meno fotoni di quanto precedentemente ritenuto possibile, anche quando i rilevatori sono affetti da un significativo rumore elettronico.
I ricercatori si sono concentrati su un problema in cui un computer deve decidere a quale tra diverse categorie appartiene un oggetto, come identificare se un'immagine contiene un gatto o un cane. In una configurazione standard, la fotocamera registra l'intensità della luce in ogni punto, creando un'immagine completa. I ricercatori hanno dimostrato che, per le due classi di immagini utilizzate, le immagini risultanti erano così simili che l'occhio umano, o un algoritmo informatico standard, poteva malapena distinguerle. L'informazione necessaria per distinguerle era nascosta nelle sottili relazioni quantistiche tra i fotoni, che vanno perse quando una fotocamera standard registra semplicemente la luminosità. Per recuperare questa informazione nascosta, il team ha sostituito la lente standard con una rete neurale ottica diffrattiva. Questo dispositivo consiste in una serie di piastre trasparenti con motivi microscopici incisi sopra. Mentre la luce passa attraverso queste piastre, i motivi rimodellano il campo luminoso, mescolando e riorganizzando efficacemente i fotoni prima che colpiscano il rilevatore.
L'innovazione chiave è stata il modo in cui hanno insegnato a queste piastre come operare. I ricercatori hanno utilizzato due diversi obiettivi di addestramento. Il primo obiettivo era quello di prendere la migliore decisione possibile utilizzando un singolo fotone. Il secondo, e più efficace, obiettivo era ottimizzare la velocità con cui il sistema potesse prendere una decisione corretta man mano che arrivavano sempre più fotoni. Hanno scoperto che la strategia per un singolo fotone era diversa dalla strategia per molti fotoni. Una misurazione progettata per essere perfetta per un fotone si comportava in realtà male quando erano disponibili molti fotoni. Addestrando la rete ottica per massimizzare la velocità con cui gli errori diminuivano all'aumentare del numero di fotoni, il sistema ha imparato a scartare le parti della luce che erano identiche per gatti e cani, concentrandosi solo sulle caratteristiche che contavano. Ciò ha permesso al sistema di raggiungere un tasso di errore che diminuiva esponenzialmente più velocemente rispetto ai metodi di imaging tradizionali.
Per dimostrare che questo funzionasse nel mondo reale, il team ha costruito un apparato sperimentale utilizzando laser e modulatori spaziali di luce per creare le immagini e la rete ottica. Hanno testato il sistema in due scenari. Per prima cosa, hanno simulato un ambiente perfetto e privo di rumore per vedere i limiti teorici. In questa impostazione, il nuovo metodo riduceva drasticamente il tasso di errore rispetto all'imaging diretto. Ancora più importante, hanno testato il sistema con una fotocamera reale che era estremamente rumorosa, simulando condizioni in cui il rilevatore produce circa 10.000 segnali falsi per ogni singolo fotone reale. In questo ambiente ostile, la rete ottica addestrata ha imparato a concentrare la luce in un'area più ristretta sul sensore. Concentrando il segnale, il sistema ha efficacementmente ignorato la stragrande maggioranza dei pixel rumorosi, permettendogli di distinguere gli oggetti con un livello di precisione che era impossibile per le fotocamere standard, anche quando a queste fotocamere veniva fornita la stessa quantità di luce.
Lo studio ha anche esplorato se questo metodo potesse gestire più di due categorie. Utilizzando un dataset di dieci diversi tipi di abbigliamento, hanno scoperto che lo stesso principio rimaneva valido. Il sistema ottimizzato per molti fotoni ha costantemente superato sia l'imaging standard che la versione ottimizzata per il singolo fotone una volta raccolta una quantità sufficiente di luce. Sebbene il sistema non abbia raggiunto il limite assoluto teorico di ciò che è fisicamente possibile, si è avvicinato significativamente più di qualsiasi metodo precedente. I ricercatori hanno osservato che le prestazioni miglioravano all'aumentare della complessità della rete ottica, suggerendo che risultati ancora migliori potrebbero essere ottenuti con più livelli. Questo lavoro stabilisce che il collo di bottiglia nella visione a bassa luminosità non è solo la mancanza di fotoni, ma il modo in cui scegliamo di misurarli. Usando l'intelligenza artificiale per progettare la misurazione stessa, piuttosto che solo l'analisi dei dati, è possibile vedere chiaramente nel buio dove i metodi convenzionali vedono solo rumore.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.