La luce, come campo elettromagnetico, ha due componenti essenziali:ampiezza e fase. Tuttavia, i rilevatori ottici, che in genere si basano sulla conversione da fotone a elettrone (come i sensori dei dispositivi ad accoppiamento di carica e l'occhio umano), non possono catturare la fase del campo luminoso a causa della loro frequenza di campionamento limitata.

Fortunatamente, man mano che il campo luminoso si propaga, il ritardo di fase provoca anche cambiamenti nella distribuzione dell'ampiezza; possiamo quindi registrare l'ampiezza del campo luminoso propagato e quindi calcolare la fase corrispondente, chiamata recupero di fase.

Alcuni metodi comuni di recupero di fase includono l'olografia/interferometria, il rilevamento del fronte d'onda di Shack-Hartmann, l'equazione del trasporto dell'intensità e metodi basati sull'ottimizzazione (recupero di fase). Presentano i propri limiti in termini di risoluzione spazio-temporale, complessità computazionale e campo di applicazione.

Negli ultimi anni, quale passo importante verso la vera intelligenza artificiale (AI), l'apprendimento profondo, spesso implementato attraverso reti neurali profonde, ha raggiunto prestazioni senza precedenti nel recupero di fase.

In un articolo di revisione pubblicato su Light:Science &Applications , scienziati dell'Università di Hong Kong, della Northwestern Polytechnical University, dell'Università cinese di Hong Kong, della Guangdong University of Technology e del Massachusetts Institute of Technology hanno esaminato vari metodi di recupero della fase di deep learning dalle seguenti quattro prospettive:

• Pre-elaborazione con apprendimento profondo per il recupero di fase:la rete neurale esegue alcune pre-elaborazione sulla misurazione dell'intensità prima del recupero di fase, come la super-risoluzione dei pixel, la riduzione del rumore, la generazione di ologrammi e la messa a fuoco automatica.
• Deep learning-in-processing per il recupero di fase:la rete neurale esegue direttamente il recupero di fase o partecipa al processo di recupero di fase insieme al modello fisico o all'algoritmo basato sulla fisica mediante modalità di apprendimento supervisionate o non supervisionate.
• Post-elaborazione di deep learning per il recupero di fase:la rete neurale esegue la post-elaborazione dopo il recupero di fase, come riduzione del rumore, miglioramento della risoluzione, correzione dell'aberrazione e srotolamento della fase.
• Deep learning per l'elaborazione della fase:la rete neurale utilizza la fase recuperata per applicazioni specifiche, come la segmentazione, la classificazione e la trasformazione modale dell'imaging.

Per consentire ai lettori di saperne di più sul recupero di fase, hanno anche presentato una risorsa di aggiornamento in tempo reale (https://github.com/kqwang/phase-recovery).

Quando il deep learning viene applicato a vari processi di recupero di fase, non solo porta effetti senza precedenti ma introduce anche alcuni rischi imprevedibili. Alcuni metodi potrebbero sembrare uguali, ma esistono differenze difficili da rilevare. Questi scienziati sottolineano le differenze e le connessioni tra alcuni metodi simili e hanno fornito suggerimenti su come sfruttare al meglio l'apprendimento profondo e i modelli fisici per il recupero di fase:

"È da notare che lo schema uPD (untrained Physical-driven) è esente da numerose immagini di intensità come prerequisito, ma richiede numerose iterazioni per ogni inferenza; mentre lo schema tPD (trained Physical-driven) completa l'inferenza solo passando per lo schema rete neurale addestrata una volta, ma richiede un gran numero di immagini di intensità per il pre-addestramento."

"z_f è un vettore fisso, il che significa che l'input della rete neurale è indipendente dal campione, e quindi la rete neurale non può essere pre-addestrata come l'approccio PD," hanno detto quando hanno introdotto la strategia di rete in fisica a priori strutturale .

"Le reti neurali profonde basate sull'apprendimento hanno un enorme potenziale ed efficienza, mentre i metodi convenzionali basati sulla fisica sono più affidabili. Incoraggiamo quindi l'incorporazione di modelli fisici con reti neurali profonde, soprattutto per coloro che modellano bene dal mondo reale, piuttosto che lasciare che il La rete neurale profonda esegue tutti i compiti come una "scatola nera"", hanno detto gli scienziati.

Ulteriori informazioni: Kaiqiang Wang et al, Sull'uso del deep learning per il recupero di fase, Luce:scienza e applicazioni (2024). DOI:10.1038/s41377-023-01340-x

Informazioni sul giornale: Luce:scienza e applicazioni

Fornito da Light Publishing Center, Istituto di ottica di Changchun, Meccanica e fisica fine, CAS