Licht heeft als elektromagnetisch veld twee essentiële componenten:amplitude en fase. Optische detectoren, die doorgaans afhankelijk zijn van foton-naar-elektronenconversie (zoals ladingsgekoppelde apparaatsensoren en het menselijk oog), kunnen de fase van het lichtveld echter niet vastleggen vanwege hun beperkte bemonsteringsfrequentie.

Gelukkig veroorzaakt de fasevertraging, naarmate het lichtveld zich voortplant, ook veranderingen in de amplitudeverdeling; daarom kunnen we de amplitude van het voortgeplante lichtveld registreren en vervolgens de overeenkomstige fase berekenen, faseherstel genoemd.

Enkele veel voorkomende faseherstelmethoden zijn onder meer holografie/interferometrie, Shack-Hartmann golffrontdetectie, transport van intensiteitsvergelijking en op optimalisatie gebaseerde methoden (fase-ophalen). Ze hebben hun eigen tekortkomingen op het gebied van spatio-temporele resolutie, rekencomplexiteit en toepassingsbereik.

Als belangrijke stap op weg naar echte kunstmatige intelligentie (AI) heeft deep learning, vaak geïmplementeerd via diepe neurale netwerken, de afgelopen jaren ongekende prestaties geleverd op het gebied van faseherstel.

In een overzichtsartikel gepubliceerd in Light:Science &Applications hebben wetenschappers van de Universiteit van Hong Kong, de Northwestern Polytechnical University, de Chinese Universiteit van Hong Kong, Guangdong University of Technology en het Massachusetts Institute of Technology verschillende deep learning-faseherstelmethoden beoordeeld vanuit de volgende vier perspectieven:

• Deep-learning-voorverwerking voor faseherstel:het neurale netwerk voert enige voorverwerking uit op de intensiteitsmeting vóór faseherstel, zoals pixel-superresolutie, ruisonderdrukking, het genereren van hologrammen en autofocus.
• Deep-learning-in-processing voor faseherstel:het neurale netwerk voert faseherstel direct uit of neemt deel aan het proces van faseherstel samen met het fysieke model of het op fysica gebaseerde algoritme door middel van begeleide of niet-gecontroleerde leermodi.
• Deep-learning-post-processing voor faseherstel:het neurale netwerk voert post-processing uit na fase-herstel, zoals ruisonderdrukking, resolutieverbetering, aberratiecorrectie en fase-unwrapping.
• Diep leren voor faseverwerking:het neurale netwerk gebruikt de herstelde fase voor specifieke toepassingen, zoals segmentatie, classificatie en beeldvormingsmodale transformatie.

Om lezers meer te laten leren over faseherstel, presenteerden ze ook een bron voor live updates (https://github.com/kqwang/phase-recovery).

Wanneer deep learning wordt toegepast op verschillende processen van faseherstel, brengt dit niet alleen ongekende effecten met zich mee, maar introduceert het ook enkele onvoorspelbare risico's. Sommige methoden zien er misschien hetzelfde uit, maar er zijn verschillen die moeilijk te detecteren zijn. Deze wetenschappers wijzen op de verschillen en verbanden tussen enkele vergelijkbare methoden en gaven suggesties over hoe je het meeste kunt halen uit deep learning en fysieke modellen voor faseherstel:

"Opgemerkt moet worden dat het uPD-schema (ongetrainde fysica-gestuurde) als voorwaarde vrij is van talloze intensiteitsbeelden, maar voor elke gevolgtrekking talloze iteraties vereist; terwijl het tPD-schema (getrainde fysica-gestuurde) de gevolgtrekking alleen voltooit door de getraind neuraal netwerk één keer, maar vereist een groot aantal intensiteitsbeelden voor voortraining."

"z_f is een vaste vector, wat betekent dat de input van het neurale netwerk onafhankelijk is van het monster, en daarom kan het neurale netwerk niet vooraf worden getraind zoals de PD-benadering, zeiden ze bij de introductie van de structureel-prior netwerk-in-fysica-strategie. .

"Op leren gebaseerde diepe neurale netwerken hebben een enorm potentieel en een enorme efficiëntie, terwijl conventionele, op natuurkunde gebaseerde methoden betrouwbaarder zijn. We moedigen dus de integratie van fysieke modellen met diepe neurale netwerken aan, vooral voor degenen die goed kunnen modelleren vanuit de echte wereld, in plaats van de diepe neurale netwerken voeren alle taken uit als een ‘black box’”, aldus de wetenschappers.

Meer informatie: Kaiqiang Wang et al., Over het gebruik van deep learning voor faseherstel, Light:Science &Applications (2024). DOI:10.1038/s41377-023-01340-x

Journaalinformatie: Licht:wetenschap en toepassingen

Aangeboden door Light Publishing Center, Changchun Institute of Optics, Fine Mechanics And Physics, CAS