Learned Diffractive Optics for Quantum-Optimal Inference

宇宙の静かな片隅、例えば深宇宙や顕微鏡下の生細胞の中のように光が乏しい場所では、たった一つの光子（フォトン）さえもが極めて重要になります。これらの微小なエネルギーの塊は、遠くの星々や脆弱な生物学的構造に関する情報を運ぶ唯一のメッセンジャーです。しかし、私たちが伝統的に画像を捉えてきた方法には、根本的な欠陥があります。標準的なカメラは単に光がどこに降り注いだかを記録するだけであり、明るさのみに基づいた画像を作成します。この手法は光が十分にある場合にはうまく機能しますが、低照度の条件下では、光そのもののランダムな性質が、信号をかき消してしまうほどの粒状のノイズを生み出します。さらに重要なことに、この伝統的な手法は、光の中に隠された微妙な情報の層、すなわち光の波が互いにどのように整列しているかという情報を捨て去ってしまいます。この整列、すなわち「コヒーレンス（可干渉性）」を無視することで、従来のカメラは量子物理学がそこにあると示唆している決定的な詳細を見逃しており、最も必要とされる場面で、ぼやけた不完全な画像しか得られないままなのです。

オックスフォード大学の研究チームは、この失われた情報を取り戻す方法を見出しました。彼らは、光がどこに当たるかだけでなく、光の波がどのように相互作用するかを学習して世界を見る、新しいタイプの光学システムを開発しました。標準的なレンズを使って焦点を合わせる代わりに、彼らは一連の薄い透明なプレートで構成されたデバイスを構築しました。これらのプレートは、伝統的な意味での集光を行うのではなく、通過する光の波をねじ曲げたり、ずらしたりします。研究者たちは強力なコンピュータ・アルゴリズムを用い、これらのプレートに対して、例えば二つの似たような物体を識別したり、微小な距離を測定したりといった特定の問題を解決するために、いかに光をねじ曲げるべきかを正確に教え込みました。その際、可能な限り少ない光子を使用するように設計されています。その結果、このシステムは、物理法則によって許容される絶対的な限界に近い性能を発揮し、標準的なカメラや、これらのタスクのために設計された専門的な光学ツールをも大きく凌駕しました。

この画期的な成果の核心は、研究者たちが光学システムの設計にどのようにアプローチしたかにあります。従来、科学者たちは複雑な数学を用いて特定の量子状態を測定する完璧な方法を計算しようとしてきましたが、その解法が現実世界の材料では構築不可能であることに突き当たることがよくありました。しかし、今回のチームは、その脚本を書き換えました。彼らは光学システムを、人工知能の一種であるニューラルネットワークのように扱ったのです。彼らは、8枚の透明なプレートのスタックを通過する光の経路をシミュレーションしました。各プレートは小さなセクションのグリッドに分割されています。コンピュータは、特定のタスクにおける誤差を最小限に抑えるように、各セクションにおける光の波の形状を何度も何度も調整しました。もし目標が二種類の異なる細胞を区別することであれば、コンピュータは、それら二つの細胞からの光のパターンが検出器においてできるだけ異なって見えるように、プレートを微調整しました。もし目標が距離の測定であれば、プレートは測定が可能な限り精密になるように調整されました。この「勾配ベースの最適化」と呼ばれるプロセスにより、人間の数学者では容易に予測できなかった物理的な構成を、システムが発見することが可能となりました。

研究者たちは、この「学習された回折光学（learned diffine optics）」をいくつかの困難なシナリオでテストしました。一つの実験では、システムに対し、非直交な二つの量子状態の光（これらは信号が大きく重なり合っており、分離が困難なものに相当します）を識別するよう求めました。光の強度を単に撮影する標準的なカメラは、これらをうまく区別できず、約22パーセントの確率でエラーを起こしました。しかし、学習された光学システムは、このエラー率をわずか0.067にまで減少させました。これは、量子力学によって設定された理論的限界からわずか数パーセント以内の性能です。これは、このデバイスが各光子から可能な限りの情報をほぼすべて抽出していることを意味しており、標準的なカメラには到底できないことです。

この手法の威力は、単純な二値の選択にとどまりません。チームはまた、光の曲率や、二つの微かな光点間の距離といった、連続的なパラメータの推定にもこれを適用しました。レイリーの呪いとして知られる有名な問題では、二つの光源が光の波長よりも接近すると、標準的なイメージングは完全に失敗します。画像は一つのぼやけた点となり、距離を測定できなくなります。研究者たちは、学習された光学系がこの限界を克服できることを示しました。プレートを特定のタスクに合わせて光の波を操作するように訓練することで、システムは、二つの点が極めて接近している場合でも、その間隔を高精度に推定することができました。これらのシミュレーションにおいて、学習された光学系は、ぼやけが深刻な状況において、標準的なカメラと同じレベルの精度を達成するために、41倍も少ない光子しか必要としませんでした。

このアプローチが特に堅牢である理由は、研究者が事前に答えを知っている必要がない点にあります。彼らは、最適な測定を行うための完璧な数学的公式を知る必要はありませんでした。代わりに、単に「この細胞を特定するエラーを最小化せよ」といった目標を定義し、コンピュータにプレートの物理的な配置を見つけさせたのです。これは、科学者が既知の数学的基底（超解像顕微鏡でよく用いられるエルミート・ガウスモードなど）に基づいて手動で光学システムを設計しなければならなかった従来の手法からの、大きな転換です。実際、研究者が学習されたシステムを、これらの既知のモードを分類するために特別に設計されたデバイスと比較したところ、学習されたシステムの方が優れた性能を示しました。コンピュータは、人間が設計したソーター（選別器）よりも効果的なプレートの配置を見つけ出したのです。これはおそらく、コンピュータが、理論的な設計が見落としがちな、物理的なハードウェアの微妙な不完全さや制約を考慮に入れることができたためと考えられます。

この研究はまた、異なる数の光子に対して、これらのシステムがどのように振る舞うかについても調査しました。現実の世界では、利用可能な光子の数は限られており、かつ予測不可能なことが多いものです。研究者たちは、特定の光子数に対して訓練されたシステムは、その光子数において最もよく機能することを発見しましたが、幅広い範囲の光子数にわたって良好に機能するように訓練されたシステムは、多くの状況に適応できることも発見しました。この柔軟性は、光のレベルが変動する実用的なアプリケーションにおいて極めて重要です。さらに、チームは、この手法がレーザーのようなコヒーレント光（可干渉光）と、遠くの星や生物学的試料のようなインコヒーレント光（非可干渉光）の両方に機能することを実証しました。この汎用性は、この技術が限定的な条件に縛られるものではなく、幅広いセンシングやイメージングの問題に適用できることを示唆しています。

この技術の物理的な実現も有望です。シミュレーションで使用された「プレート」は、光の位相を電子的に変化させることができる空間光変調器などの既存の技術や、静的な位相マスクを印刷することによって構築可能です。研究者たちは、最適化プロセスにおいて、プレートのずれや製造上の欠陥といった現実世界の欠陥を考慮に入れることさえ可能であり、これにより最終的なデバイスの堅牢性が確保されると指摘しています。現在の結果はコンピュータ・シミュレーションに基づいたものですが、物理的なデバイスを構築するための道筋は明確です。この手法は「微分可能な光学モデル」に依存しているため、コンピュータは光の伝搬と学習プロセスを高精度にシミュレートでき、建設のための信頼できる設計図を提供することができます。

この研究は、光学的な測定に関する私たちの考え方にシフトをもたらしています。1世紀以上にわたり、標準的なアプローチは、画像をキャプチャしてからコンピュータで処理するというものでした。この新しい手法は、処理は画像が形成される前に行われるべきであり、光の物理現象そのものの中に組み込まれるべきであることを示唆しています。量子力学の原理と機械学習を統合することで、研究者たちは、測定デバイスが単なる受動的な記録装置ではなく、推論プロセスにおける能動的な参加者となるフレームワークを作り上げました。システムは、あらゆる単一の光子から情報を最大限に抽出するように光を形作ることを学習し、低照度センシングの限界を押し広げています。

この研究の意義は、研究室の枠を大きく超えています。遠くの銀河からの貴重な光子を一つも無駄にできない天文学や、高強度の光がデリケートな組織にダメージを与える可能性がある医療イメージングにおいて、より少ない光でより多くを見る能力は変革をもたらします。研究者たちは、このアプローチが「量子計算的マシンビジョン」という新しい分野を確立する可能性があると示唆しています。そこでは、イメージングの限界はレンズの質によってではなく、光学システム自体の知性によって再定義されることになるでしょう。光に情報をより効率的に運ぶ方法を教えることで、私たちは、かつては理論の領域のみに属すると考えられていた明晰さをもって、目に見えないものを見ることができるようになるかもしれません。