Nincs olyan kép, amely tökéletesen éles lenne. Több mint 150 éve tudják a tudósok, hogy még a legfejlettebb mikroszkópok és kamerák is alapvető felbontási korlátokhoz kötöttek, amelyeket nem lehet leküzdeni. Lehetetlen végtelen pontossággal meghatározni egy részecske pontos helyzetét, és mindig van valamilyen mértékű elmosódás. Ez a korlát nem a technológia hibájából fakad, hanem a fény természetéből és az információátvitel módjából.
Ennek fényében a Bécsi Műszaki Egyetem, a Glasgow-i Egyetem és a Grenoble-i Egyetem kutatói egy alapvető kérdésre keresték a választ: Mi az optikai technikák által elérhető végső pontosság szintje? És lehetséges-e a lehető legközelebb kerülni ehhez az elméleti határhoz? A nemzetközi csapatnak sikerült meghatározni a pontosság elméletileg elérhető legalacsonyabb határát, és neurális hálózatokon alapuló mesterséges intelligencia rendszereket fejlesztett ki, amelyek megfelelő képzés után rendkívül közel teljesítettek ehhez a határhoz. Módszerüket jelenleg a képalkotó technológiákban, többek között az orvosi diagnosztikában való gyakorlati alkalmazásra készítik elő.
A pontosság abszolút határa
"Képzeljük el, hogy egy szabálytalan, homályos üveglap mögött egy kis tárgyat nézzük" - mondja Stefan Rotter professzor, a Bécsi Műszaki Egyetem Elméleti Fizikai Intézetének munkatársa. "Nem csak a tárgy képét látjuk, hanem egy bonyolult fénymintázatot, amely sok világosabb és sötétebb fényfoltból áll. A kérdés most az, hogy mennyire pontosan tudjuk megbecsülni a tárgy tényleges helyét ennek a képnek az alapján - és hol van ennek a pontosságnak az abszolút határa?"
Az ilyen forgatókönyvek például a biofizikában vagy az orvosi képalkotásban fontosak. Amikor a fény biológiai szöveteken szóródik, úgy tűnik, hogy elveszíti a mélyebb szöveti struktúrákra vonatkozó információkat. De elvileg mennyi információt lehet visszanyerni? Ez a kérdés nem csak technikai jellegű, hanem a fizika maga is alapvető korlátokat szab itt.
A kérdésre egy elméleti mérőszám ad választ: az úgynevezett Fisher-információ. Ez a mérőszám leírja, hogy egy optikai jel mennyi információt tartalmaz egy ismeretlen paraméterről - például az objektum helyzetéről. Ha a Fisher-információ alacsony, akkor a jel bármilyen kifinomult elemzése ellenére sem lehetséges a pontos meghatározás. A Fisher-információ koncepciója alapján a csapat kiszámította a különböző kísérleti forgatókönyvekben elméletileg elérhető pontosság felső határát.
A neurális hálózatok kaotikus fénymintákból tanulnak
Míg a TU Wien csapata elméleti alapot biztosított, Dorian Bouchet a Grenoble-i Egyetemről (F), Ilya Starshynov és Daniele Faccio a Glasgow-i Egyetemről (UK) együttesen megtervezték és megvalósították a megfelelő kísérletet. Ebben a kísérletben egy lézersugarat irányítottak egy kis, fényvisszaverő tárgyra, amely egy zavaros folyadék mögött helyezkedett el, így a rögzített képeken csak erősen torzított fényminták látszottak. A mérési feltételek a zavarosság függvényében változtak - és ezzel együtt a jelből pontos pozícióinformációk kinyerésének nehézsége is.
"Az emberi szem számára ezek a képek véletlenszerű mintázatoknak tűnnek" - mondja Maximilian Weimar (TU Wien), a tanulmány egyik szerzője. "De ha sok ilyen képet - mindegyikben ismert tárgypozícióval - táplálunk be egy neurális hálózatba, a hálózat megtanulhatja, melyik mintázat melyik pozícióhoz tartozik." Kellő gyakorlás után a hálózat nagyon pontosan tudta meghatározni az objektum pozícióját, még új, ismeretlen minták esetén is.
Szinte a fizikai határig
Különösen figyelemre méltó: a predikció pontossága csak minimálisan volt rosszabb, mint a Fisher-információval számított elméletileg elérhető maximum. "Ez azt jelenti, hogy AI-támogatott algoritmusunk nemcsak hatékony, hanem szinte optimális is" - mondja Stefan Rotter. "Szinte pontosan azt a pontosságot éri el, amelyet a fizika törvényei megengednek."
Ennek a felismerésnek messzemenő következményei vannak: intelligens algoritmusok segítségével az optikai mérési módszerek jelentősen javulhatnak számos területen - az orvosi diagnosztikától az anyagkutatásig és a kvantumtechnológiáig. A kutatócsoport jövőbeli projektjeiben alkalmazott fizika és orvostudomány területén működő partnerekkel kíván együttműködni, hogy megvizsgálja, hogyan lehet ezeket az AI-támogatott módszereket konkrét rendszerekben alkalmazni.
