Il deep learning sta attualmente stimolando interessi di ricerca crescenti e sta portando a un cambio di paradigma dalla modellazione basata sulla fisica all'apprendimento basato sui dati nel campo della metrologia ottica. Scienziati in Cina e Singapore hanno pubblicato un articolo di revisione intitolato "Apprendimento profondo nella metrologia ottica:una revisione" in Luce:scienza e applicazioni . Forniscono una revisione completa dell'apprendimento profondo in varie attività di metrologia ottica, rivelando che i metodi di apprendimento profondo specifici del problema, nella maggior parte dei casi, superano notevolmente i loro predecessori basati su modelli fisici.

La metrologia ottica è la scienza e la tecnologia per effettuare misurazioni utilizzando la luce come standard o vettori di informazioni. Sebbene la metrologia ottica sia un'area in rapida crescita, non è una disciplina nuova. Lo sviluppo delle scienze fisiche è stato guidato fin dall'inizio dalle tecniche di metrologia ottica. In cambio, la metrologia ottica è stata rivoluzionata dall'invenzione del laser, del dispositivo ad accoppiamento di carica (CCD) e del computer, sviluppandosi in un campo ampio e interdisciplinare relativo a diverse discipline come la fotomeccanica, l'ingegneria ottica, la visione artificiale e l'imaging computazionale.

Di recente, il deep learning (DL), un sottocampo dell'apprendimento automatico, ha ottenuto un'ampia attenzione per le sue vaste applicazioni e gli straordinari successi nella visione artificiale, nell'elaborazione del linguaggio naturale e nella diagnosi assistita dal computer. Nel frattempo, i giganti della tecnologia Google, Facebook, Microsoft, Apple e Amazon hanno acceso "l'arte" della manipolazione dei dati e sviluppato framework di deep learning open source e facili da usare. Il deep learning ha lasciato le sale del mondo accademico molto rapidamente ed è pronto a rimodellare una serie di aziende in più settori. Alla luce del grande successo del deep learning in questi campi correlati, i ricercatori in metrologia ottica non sono stati in grado di trattenere le loro curiosità riguardo all'adozione di questa tecnologia per spingere ulteriormente i limiti della metrologia ottica e fornire nuove soluzioni per affrontare le sfide imminenti nella continua ricerca di una maggiore precisione, sensibilità, ripetibilità, efficienza, velocità e robustezza.

In un recente documento di revisione pubblicato su Light Science &Application , i gruppi di ricerca guidati dal professor Chao Zuo dello Smart Computational Imaging (SCI) Laboratory, Nanjing University of Science and Technology, Cina, e dal professor Kemao Qian della School of Computer Science and Engineering, Nanyang Technological University, Singapore, hanno presentato una panoramica di lo stato attuale e gli ultimi progressi nell'applicazione del DL in metrologia ottica. In questa recensione, hanno riassunto sistematicamente le tecniche classiche e gli algoritmi di elaborazione delle immagini nella metrologia ottica e hanno discusso i vantaggi tecnici dell'utilizzo di DL nelle attività di metrologia ottica interpretando il concetto come un problema di ottimizzazione. Quindi è stata fornita una revisione completa delle applicazioni specifiche del DL in vari compiti di metrologia ottica. Sono state inoltre evidenziate e previste le sfide e le direzioni future delle tecniche DL nel campo della metrologia ottica.

I metodi di metrologia ottica spesso formano immagini (ad es. pattern di frange/macchioline) per l'elaborazione. Possono fornire misurazioni a pieno campo su scale che vanno da millimetri a nanometri con velocità, sensibilità, risoluzione e precisione elevate. In generale, il compito della metrologia ottica è ottenere il parametro campione desiderato dalle immagini osservate, che è un tipico problema inverso associato a molti problemi impegnativi, come la mancata corrispondenza del modello, l'accumulo di errori e la cattiva posizione. Nei campi della visione artificiale e dell'imaging computazionale, l'approccio classico per risolvere un problema inverso mal posto è la regolarizzazione, che riformula il problema originale in uno ben posto imponendo ipotesi preliminari sulla soluzione.

Al contrario, nella metrologia ottica, poiché le misurazioni ottiche sono spesso eseguite in un ambiente altamente controllato, i ricercatori preferiscono riformulare il problema mal posto originale in un problema di regressione ben posto e adeguatamente stabile controllando attivamente l'immagine processo di acquisizione. Tuttavia, per molte applicazioni impegnative, condizioni operative difficili possono rendere tali strategie attive una richiesta lussuosa o addirittura irragionevole. In tali condizioni, il deep learning è particolarmente vantaggioso per risolvere quei problemi di metrologia ottica perché le strategie attive vengono spostate dalla fase di misurazione vera e propria alla fase di preparazione (formazione in rete) e l'"algoritmo di ricostruzione" può essere appreso direttamente dai dati sperimentali. Se i dati di addestramento vengono raccolti in un ambiente che riproduce le condizioni sperimentali reali e la quantità di dati è sufficiente, il modello addestrato dovrebbe riflettere la realtà in modo più preciso e completo e dovrebbe produrre risultati di ricostruzione migliori rispetto al modello fisico convenzionale approcci basati.

Grazie ai vantaggi sopra menzionati, DL sta guadagnando sempre più attenzione nella metrologia ottica, rivoluzionando il concetto di metrologia ottica e reinventando quasi tutti i compiti fondamentali dell'elaborazione digitale delle immagini nella metrologia ottica. Il deep learning è gradualmente "penetrato" in quasi tutti gli aspetti della metrologia ottica, mostrando prestazioni promettenti e un grande potenziale nell'analisi marginale, nel recupero di fase, nello scarto delle fasi, ecc.

Tuttavia, gli autori hanno sottolineato che il deep learning è ancora nella fase iniziale di sviluppo per le sue applicazioni nella metrologia ottica e che in questo campo rimangono sfide significative. In quanto strumento indispensabile nell'ispezione industriale, nella diagnosi medica e nella ricerca scientifica, è fondamentale garantire che i risultati ottenuti dai metodi di metrologia ottica siano affidabili, ripetibili e tracciabili. Tuttavia, DL è spesso considerato come "scatole nere" senza basi teoriche per spiegare chiaramente perché una particolare struttura di rete è efficace in un determinato compito o meno, il che può causare gravi conseguenze. Inoltre, DL apprende ed estrae le caratteristiche "comuni" dai campioni di addestramento, ma ciò può portare a risultati insoddisfacenti di fronte a "campioni rari" poiché le informazioni non possono essere "nate dal nulla".

"Il progresso della scienza deriva dalla continua esplorazione per risolvere l'ignoto." Sono stati previsti gli approfondimenti che dimostrano possibili percorsi per l'ulteriore sviluppo del DL nella metrologia ottica:

1. Sfruttare più tecnologie emergenti di DL per la metrologia ottica potrebbe promuovere e accelerare il riconoscimento e l'accettazione di DL in più applicazioni.
2. La combinazione delle statistiche bayesiane con DL per ottenere stime di incertezza quantitativa consente di valutare quando DL produce previsioni inaffidabili.
3. Una sinergia tra i modelli basati sulla fisica che descrivono la conoscenza a priori e i modelli basati sui dati che apprendono una regolarizzazione dai dati sperimentali dovrebbero fornire soluzioni fisicamente più plausibili alla metrologia ottica.

"Will deep learning replace the role of traditional technologies within the field of optical metrology for the years to come? "It is clear no one can predict the future, but we can engage it," Zuo et al. said. "If you are still an 'outsider' or new to this field. We encourage you to try it out! It is easy, and often works."