Experimental visual quantum state discrimination
Dit artikel introduceert een door AI gedreven benadering die gebruikmaakt van een getraind diffractief optisch neuraal netwerk om kwantummetingen voor computer vision te optimaliseren, waarbij exponentieel lagere discriminatiefouten worden bereikt dan bij directe beeldvorming door de informatie-extractie uit elk foton te maximaliseren en detectorruis effectief te mitigeren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van het zien, of dat nu door het menselijk oog of door een machine gebeurt, bestaat er een fundamentele afweging tussen helderheid en de hoeveelheid beschikbaar licht. De meeste visiesystemen, van de camera's in onze telefoons tot de telescopen die de nachthemel scannen, werken door een volledige afbeelding van een scène vast te leggen en vervolgens een computer te gebruiken om te analyseren wat daar aanwezig is. Deze methode werkt prachtig wanneer er voldoende licht is, waardoor het systeem licht kan behandelen als een continue golf. Echter, in veel kritieke situaties, zoals het observeren van delicate levende cellen onder een microscoop of het detecteren van objecten op grote afstand, is licht schaars. In deze schemerige omstandigheden creëert de fundamentele aard van licht als discrete deeltjes een korrelige onzekerheid die bekend staat als shotruis, terwijl de camera's zelf hun eigen statische ruis introduceren. Wanneer licht zo schaars is, faalt de traditionele aanpak van het maken van een foto en het daarna opschonen ervan vaak, omdat het proces van het vastleggen van de afbeelding al informatie vernietigt voordat de computer er überhaupt naar kan kijken.
Een team onderzoekers aan de Universiteit van Oxford heeft een manier gevonden om deze beperking te omzeilen door het moment van de opname zelf te veranderen. In plaats van te proberen een wazig of ruizig beeld te repareren nadat het is genomen, hebben zij een systeem ontworpen dat leert hoe het licht op de meest efficiënte manier kan meten voor een specifieke taak. Door kunstmatige intelligentie te gebruiken om een speciaal optisch apparaat te trainen, creëerden zij een meetproces dat de maximale hoeveelheid nuttige informatie extraheert uit elk enkelvoudig foton dat arriveert. Hun werk laat zien dat voor taken zoals het onderscheiden van een kat van een hond in een donkere kamer, het beter is om de lens van de camera te ontwerpen om de specifieke vraag direct te beantwoorden, in plaats van eerst te proberen een perfect beeld te reconstrueren. Deze aanpak stelt machines in staat om objecten te onderscheiden met veel minder fotonen dan voorheen voor mogelijk werd gehouden, zelfs wanneer de detectoren worden geplaagd door aanzienlijke elektronische ruis.
De onderzoekers concentreerden zich op een probleem waarbij een computer moet beslissen bij welke van de verschillende categorieën een object behoort, zoals het identificeren of een afbeelding een kat of een hond bevat. In een standaardopstelling legt de camera de intensiteit van het licht op elk punt vast, waardoor een volledige afbeelding ontstaat. De onderzoekers toonden aan dat voor de twee klassen afbeeldingen die zij gebruikten, de resulterende plaatjes zo vergelijkbaar waren dat het menselijk oog, of een standaard computeralgoritme, ze nauwelijks uit elkaar kon houden. De informatie die nodig is om hen te onderscheiden, was verborgen in de subtiele kwantumrelaties tussen de fotonen, die verloren gaan wanneer een standaardcamera simpelweg de helderheid registreert. Om deze verborgen informatie te herstellen, verving het team de standaardlens door een diffractief optisch neuraal netwerk. Dit apparaat bestaat uit een reeks transparante platen met microscopisch kleine patronen erop geëtst. Terwijl het licht door deze platen passeert, hervormen de patronen het lichtveld, wat effectief het mengen en herschikken van de fotonen veroorzaakt voordat ze de detector raken.
De belangrijkste innovatie was hoe zij deze platen leerden werken. De onderzoekers gebruikten twee verschillende trainingsdoelen. Het eerste doel was om de best mogelijke beslissing te nemen met slechts één enkel foton. Het tweede, en succesvollere, doel was om te optimaliseren hoe snel het systeem een correcte beslissing kon nemen naarmate er meer fotonen arriveerden. Zij ontdekten dat de strategie voor één foton anders was dan de strategie voor veel fotonen. Een meting die ontworpen is om perfect te zijn voor één foton, presteerde in werkelijkheid slecht wanneer er veel fotonen beschikbaar waren. Door het optische netwerk te trainen om de snelheid te maximaliseren waarmee fouten afnemen naarmate het aantal fotonen groeit, leerde het systeem delen van het licht te verwerpen die identiek waren voor zowel katten als honden, en zich alleen te concentreren op de kenmerken die er echt toe doen. Dit stelde het systeem in staat om een foutmarge te bereiken die exponentieel sneller daalde dan traditionele beeldvormingsmethoden.
Om te bewijzen dat dit in de echte wereld werkte, bouwde het team een experimentele opstelling met behulp van lasers en ruimtelijke lichtmodulatoren om de afbeeldingen en het optische netwerk te creëren. Zij testten het systeem in twee scenario's. Eerst simuleerden zij een perfecte, ruisvrije omgeving om de theoretische limieten te zien. In deze setting verminderde de nieuwe methode de foutmarge drastisch vergeleken met directe beeldvorming. Belangrijker nog, zij testten het systeem met een echte camera die extreem ruisig was, waarbij een situatie werd gesimuleerd waarin de detector ongeveer 10.000 valse signalen produceert voor elk enkel echt foton. In deze zware omgeving leerde het getrainde optische netwerk het licht te concentreren in een kleiner gebied op de sensor. Door het signaal te concentreren, negeerde het systeem effectief de overgrote meerderheid van de ruisige pixels, waardoor het de objecten kon onderscheiden met een nauwkeurigheid die onmogelijk was voor standaardcamera's, zelfs wanneer die camera's met dezelfde hoeveelheid licht werden voorzien.
De studie onderzocht ook of deze methode meer dan alleen twee categorieën kon afhandelen. Met behulp van een dataset van tien verschillende soorten kledingstukken ontdekten zij dat hetzelfde principe ook hier standhield. Het systeem dat optimaliseerde voor veel fotonen presteerde consequent beter dan zowel de standaard beeldvorming als de versie die geoptimaliseerd was voor één foton, zodra er voldoende licht werd verzameld. Hoewel het systeem niet het absolute theoretische limiet bereikte van wat fysiek mogelijk is, kwam het aanzienlijk dichterbij dan enige voorgaande methode. De onderzoekers merkten op dat de prestaties verbeterden naarmate zij de complexiteit van het optische netwerk verhoogden, wat suggereert dat er zelfs betere resultaten behaald kunnen worden met meer lagen. Dit werk vestigt de conclusie dat de flessenhals in beeldvorming bij weinig licht niet alleen het gebrek aan fotonen is, maar de manier waarop we ze meten. Door kunstmatige intelligentie te gebruiken om de meting zelf te ontwerpen, in plaats van alleen de analyse van de data, is het mogelijk om helder te zien in het donker waar conventionele methoden alleen maar ruis zien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.