La luz, como campo electromagnético, tiene dos componentes esenciales:amplitud y fase. Sin embargo, los detectores ópticos, que generalmente dependen de la conversión de fotones a electrones (como los sensores de dispositivos de carga acoplada y el ojo humano), no pueden capturar la fase del campo de luz debido a su frecuencia de muestreo limitada.

Afortunadamente, a medida que se propaga el campo luminoso, el retraso de fase también provoca cambios en la distribución de amplitud; por lo tanto, podemos registrar la amplitud del campo de luz propagado y luego calcular la fase correspondiente, llamada recuperación de fase.

Algunos métodos comunes de recuperación de fase incluyen holografía/interferometría, detección de frente de onda Shack-Hartmann, ecuación de transporte de intensidad y métodos basados ​​en optimización (recuperación de fase). Tienen sus propias deficiencias en términos de resolución espacio-temporal, complejidad computacional y rango de aplicación.

En los últimos años, como un paso importante hacia la verdadera inteligencia artificial (IA), el aprendizaje profundo, a menudo implementado a través de redes neuronales profundas, ha logrado un rendimiento sin precedentes en la fase de recuperación.

En un artículo de revisión publicado en Light:Science &Applications , científicos de la Universidad de Hong Kong, la Universidad Politécnica Northwestern, la Universidad China de Hong Kong, la Universidad Tecnológica de Guangdong y el Instituto Tecnológico de Massachusetts han revisado varios métodos de recuperación de la fase de aprendizaje profundo desde las siguientes cuatro perspectivas:

• Preprocesamiento de aprendizaje profundo para la recuperación de fase:la red neuronal realiza algún preprocesamiento en la medición de intensidad antes de la recuperación de fase, como superresolución de píxeles, reducción de ruido, generación de hologramas y enfoque automático.
• Aprendizaje profundo en procesamiento para recuperación de fase:la red neuronal realiza directamente la recuperación de fase o participa en el proceso de recuperación de fase junto con el modelo físico o algoritmo basado en física mediante modos de aprendizaje supervisados ​​o no supervisados.
• Postprocesamiento de aprendizaje profundo para la recuperación de fase:la red neuronal realiza un posprocesamiento después de la recuperación de fase, como reducción de ruido, mejora de la resolución, corrección de aberraciones y desenvolvimiento de fase.
• Aprendizaje profundo para el procesamiento de fases:la red neuronal utiliza la fase recuperada para aplicaciones específicas, como segmentación, clasificación y transformación modal de imágenes.

Para que los lectores aprendan más sobre la recuperación de fases, también presentaron un recurso de actualización en vivo (https://github.com/kqwang/phase-recovery).

Cuando el aprendizaje profundo se aplica a varios procesos de recuperación de fase, no solo trae efectos sin precedentes sino que también introduce algunos riesgos impredecibles. Algunos métodos pueden parecer iguales, pero existen diferencias que son difíciles de detectar. Estos científicos señalan las diferencias y conexiones entre algunos métodos similares y dan sugerencias sobre cómo aprovechar al máximo el aprendizaje profundo y los modelos físicos para la recuperación de fase:

"Cabe señalar que el esquema uPD (impulsado por física no entrenada) está libre de numerosas imágenes de intensidad como requisito previo, pero requiere numerosas iteraciones para cada inferencia; mientras que el esquema tPD (impulsado por física entrenada) completa la inferencia solo pasando por el red neuronal entrenada una vez, pero requiere una gran cantidad de imágenes de intensidad para el entrenamiento previo."

"z_f es un vector fijo, lo que significa que la entrada de la red neuronal es independiente de la muestra y, por lo tanto, la red neuronal no se puede entrenar previamente como en el enfoque PD", dijeron al presentar la estrategia de red estructural previa en física. .

"Las redes neuronales profundas basadas en el aprendizaje tienen un enorme potencial y eficiencia, mientras que los métodos convencionales basados ​​en la física son más confiables. Por lo tanto, fomentamos la incorporación de modelos físicos con redes neuronales profundas, especialmente para aquellos que modelan bien desde el mundo real, en lugar de dejar que el La red neuronal profunda realiza todas las tareas como una 'caja negra'", dijeron los científicos.

Más información: Kaiqiang Wang et al, Sobre el uso del aprendizaje profundo para la recuperación de fase, Light:Science &Applications (2024). DOI:10.1038/s41377-023-01340-x

Información de la revista: Luz:ciencia y aplicaciones

Proporcionado por Light Publishing Center, Instituto de Óptica, Mecánica Fina y Física de Changchun, CAS