A luz, como campo eletromagnético, possui dois componentes essenciais:amplitude e fase. No entanto, os detectores ópticos, geralmente baseados na conversão de fóton em elétron (como sensores de dispositivos de carga acoplada e o olho humano), não podem capturar a fase do campo de luz devido à sua frequência de amostragem limitada.



Felizmente, à medida que o campo de luz se propaga, o atraso de fase também provoca alterações na distribuição de amplitude; portanto, podemos registrar a amplitude do campo de luz propagado e então calcular a fase correspondente, chamada recuperação de fase.

Alguns métodos comuns de recuperação de fase incluem holografia/interferometria, detecção de frente de onda Shack-Hartmann, equação de transporte de intensidade e métodos baseados em otimização (recuperação de fase). Eles têm suas próprias deficiências em termos de resolução espaço-temporal, complexidade computacional e alcance de aplicação.

Nos últimos anos, como um passo importante em direcção à verdadeira inteligência artificial (IA), a aprendizagem profunda, muitas vezes implementada através de redes neurais profundas, alcançou um desempenho sem precedentes na recuperação de fase.

Em um artigo de revisão publicado em Light:Science &Applications , cientistas da Universidade de Hong Kong, da Universidade Politécnica do Noroeste, da Universidade Chinesa de Hong Kong, da Universidade de Tecnologia de Guangdong e do Instituto de Tecnologia de Massachusetts revisaram vários métodos de recuperação da fase de aprendizagem profunda a partir das quatro perspectivas a seguir:

• Pré-processamento de aprendizado profundo para recuperação de fase:a rede neural realiza algum pré-processamento na medição de intensidade antes da recuperação de fase, como super-resolução de pixel, redução de ruído, geração de holograma e foco automático.
• Aprendizado profundo no processamento para recuperação de fase:a rede neural executa diretamente a recuperação de fase ou participa do processo de recuperação de fase junto com o modelo físico ou algoritmo baseado em física por modos de aprendizagem supervisionados ou não supervisionados.
• Pós-processamento de aprendizado profundo para recuperação de fase:a rede neural realiza pós-processamento após a recuperação de fase, como redução de ruído, aprimoramento de resolução, correção de aberração e desembrulhamento de fase.
• Aprendizado profundo para processamento de fase:a rede neural usa a fase recuperada para aplicações específicas, como segmentação, classificação e transformação modal de imagem.

Para permitir que os leitores aprendam mais sobre a recuperação de fase, eles também apresentaram um recurso de atualização ao vivo (https://github.com/kqwang/phase-recovery).

Quando a aprendizagem profunda é aplicada a vários processos de recuperação de fase, não só traz efeitos sem precedentes, mas também introduz alguns riscos imprevisíveis. Alguns métodos podem parecer iguais, mas existem diferenças que são difíceis de detectar. Esses cientistas apontam as diferenças e conexões entre alguns métodos semelhantes e deram sugestões sobre como aproveitar ao máximo o aprendizado profundo e os modelos físicos para recuperação de fase:

"Deve-se notar que o esquema uPD (orientado pela física não treinada) está livre de numerosas imagens de intensidade como um pré-requisito, mas requer numerosas iterações para cada inferência; enquanto o esquema tPD (orientado pela física treinada) completa a inferência apenas passando pelo rede neural treinada uma vez, mas requer um grande número de imagens de intensidade para pré-treinamento."

"z_f é um vetor fixo, o que significa que a entrada da rede neural é independente da amostra e, portanto, a rede neural não pode ser pré-treinada como a abordagem PD", disseram eles ao introduzir a estratégia de rede em física com prioridade estrutural .

"As redes neurais profundas baseadas em aprendizagem têm enorme potencial e eficiência, enquanto os métodos convencionais baseados na física são mais confiáveis. Assim, encorajamos a incorporação de modelos físicos com redes neurais profundas, especialmente para aqueles que modelam bem a partir do mundo real, em vez de deixar o A rede neural profunda executa todas as tarefas como uma 'caixa preta'", disseram os cientistas.

Mais informações: Kaiqiang Wang et al, Sobre o uso de aprendizagem profunda para recuperação de fase, Light:Science &Applications (2024). DOI:10.1038/s41377-023-01340-x
Informações do diário: Luz:Ciência e Aplicações

Fornecido por Light Publishing Center, Instituto de Óptica, Mecânica Fina e Física de Changchun, CAS