Seberapa tepat hasil pengukuran saat semua yang Anda miliki adalah gambar objek yang kabur? Di Tu Wien, batas -batas apa yang mungkin dieksplorasi menggunakan kecerdasan buatan.
Tidak ada gambar yang sangat tajam. Selama 150 tahun, telah diketahui bahwa tidak peduli seberapa cerdik Anda membangun mikroskop atau kamera, selalu ada batasan resolusi mendasar yang tidak dapat dilampaui pada prinsipnya. Posisi suatu partikel tidak pernah dapat diukur dengan presisi yang tak terbatas; Sejumlah kekaburan tidak dapat dihindari. Batas ini tidak dihasilkan dari kelemahan teknis, tetapi dari sifat fisik cahaya dan transmisi informasi itu sendiri.
Tu Wien (Wina), Universitas Glasgow dan Universitas Grenoble mengajukan pertanyaan: Di mana batas absolut presisi yang dimungkinkan dengan metode optik? Dan bagaimana batas ini dapat didekati sedekat mungkin? Dan memang, tim internasional berhasil menentukan batas terendah untuk presisi yang dapat dicapai secara teoritis dan dalam mengembangkan algoritma AI untuk jaringan saraf yang sangat dekat dengan batas ini setelah pelatihan yang tepat. Strategi ini sekarang akan digunakan dalam prosedur pencitraan, seperti yang digunakan dalam kedokteran.
Batas mutlak untuk presisi
“Mari kita bayangkan kita melihat benda kecil di belakang panel kaca yang tidak teratur dan berawan,” kata Prof Stefan Rotter dari Institute of Theoretical Physics di Tu Wien. “Kami tidak hanya melihat gambar objek, tetapi pola cahaya rumit yang terdiri dari banyak bercak cahaya yang lebih ringan dan lebih gelap. Pertanyaannya sekarang adalah: seberapa tepat kita dapat memperkirakan di mana objek sebenarnya didasarkan pada gambar ini – dan di mana batas absolut dari ketepatan ini?”
Skenario semacam itu penting dalam biofisika atau pencitraan medis, misalnya. Ketika cahaya tersebar oleh jaringan biologis, tampaknya kehilangan informasi tentang struktur jaringan yang lebih dalam. Tetapi berapa banyak informasi ini yang dapat dipulihkan secara prinsip? Pertanyaan ini tidak hanya bersifat teknis, tetapi fisika itu sendiri menetapkan batasan mendasar di sini.
Jawaban atas pertanyaan ini disediakan oleh ukuran teoretis: yang disebut Informasi Fisher . Ukuran ini menjelaskan berapa banyak informasi yang berisi sinyal optik tentang parameter yang tidak diketahui – seperti posisi objek. Jika informasi Fisher rendah, penentuan yang tepat tidak lagi mungkin, tidak peduli seberapa canggihnya sinyal dianalisis. Berdasarkan konsep informasi Fisher ini, tim dapat menghitung batas atas untuk presisi yang dapat dicapai secara teoritis dalam skenario eksperimental yang berbeda.
Jaringan saraf belajar dari pola cahaya yang kacau
Sementara tim di Tu Wien memberikan input teoretis, percobaan yang sesuai dirancang dan diimplementasikan oleh Dorian Bouchet dari University of Grenoble (F) bersama dengan Ilya Starshynov dan Daniele Faccio dari University of Glasgow (UK). Dalam percobaan ini, sebuah balok laser diarahkan pada objek reflektif kecil yang terletak di belakang cairan keruh, sehingga gambar yang direkam hanya menunjukkan pola cahaya yang sangat terdistorsi. Kondisi pengukuran bervariasi tergantung pada kekeruhan – dan karenanya juga kesulitan mendapatkan informasi posisi yang tepat dari sinyal.
“Bagi mata manusia, gambar -gambar ini terlihat seperti pola acak,” kata Maximilian Weimar (Tu Wien), salah satu penulis penelitian. “Tetapi jika kita memberi makan banyak gambar seperti itu – masing -masing dengan posisi objek yang diketahui – ke dalam jaringan saraf, jaringan dapat mempelajari pola mana yang terkait dengan posisi mana.” Setelah pelatihan yang cukup, jaringan dapat menentukan posisi objek dengan sangat tepat, bahkan dengan pola baru yang tidak diketahui.
Hampir pada batas fisik
Terutama penting: ketepatan prediksi hanya minimal lebih buruk daripada maksimum yang dapat dicapai secara teoritis, dihitung menggunakan informasi Fisher. “Ini berarti bahwa algoritma yang didukung AI kami tidak hanya efektif, tetapi hampir optimal,” kata Stefan Rotter. “Ini mencapai hampir persis ketepatan yang diizinkan oleh hukum fisika.”
Realisasi ini memiliki konsekuensi yang luas: dengan bantuan algoritma cerdas, metode pengukuran optik dapat secara signifikan ditingkatkan di berbagai bidang – dari diagnostik medis hingga penelitian material dan teknologi kuantum. Dalam proyek masa depan,
Publikasi asli
Estimasi Model-bebas dari Cramér-Rao terikat untuk mikroskop pembelajaran mendalam di media yang kompleks, Ilya Starshynov, Maximilian Weimar, Lukas M. Rachbauer, Günther Hackl, Daniele Faccio, Stefan Rotter & Dorian Bouchet, Nature Photonics (2025).
https://arxiv.org/abs/2505.22330
