Rivoluzionare il recupero con il deep learning

La luce, come campo elettromagnetico, ha due componenti fondamentali: ampiezza e fase. Tuttavia, i fotorilevatori, che tipicamente si basano sulla conversione da fotone a elettrone (ad esempio sensori di dispositivi ad accoppiamento di carica e occhio umano), non possono catturare la fase del campo luminoso a causa della loro frequenza di campionamento limitata. Fortunatamente, man mano che il campo luminoso si propaga, il ritardo di fase provoca anche cambiamenti nella distribuzione dell'ampiezza; Pertanto, possiamo registrare l'ampiezza del campo luminoso che si propaga e quindi calcolare la fase corrispondente, che si chiama recupero di fase. Alcuni metodi comuni di recupero di fase includono l'olografia/interferometria, il rilevamento del fronte d'onda di Schack-Hartmann, il trasferimento dell'equazione di densità e i metodi basati sull'ottimizzazione (recupero di fase). Hanno i loro svantaggi in termini di risoluzione spaziale e temporale, complessità computazionale e ambito di applicazione. Negli ultimi anni, quale passo importante verso la vera intelligenza artificiale (AI), il deep learning, spesso implementato attraverso reti neurali profonde, ha raggiunto prestazioni senza precedenti nella fase di recupero.

In un nuovo documento di revisione pubblicato su Light Science & Application, scienziati dell'Università di Hong Kong, della Northwestern Polytechnic University, dell'Università cinese di Hong Kong, della Guangdong University of Technology e del MIT esaminano diversi approcci al recupero della fase di deep learning dai seguenti quattro prospettive:

• Preelaborazione dell'apprendimento profondo per il recupero di fase: la rete neurale esegue una preelaborazione della misurazione dell'intensità prima del recupero di fase, come la risoluzione super pixel, la riduzione del rumore, la generazione di immagini 3D e la messa a fuoco automatica.

• Apprendimento profondo durante l'elaborazione per il recupero di fase: la rete neurale esegue direttamente il recupero di fase o partecipa al processo di recupero di fase insieme al modello fisico o all'algoritmo basato sulla fisica attraverso modalità di apprendimento supervisionate o non supervisionate.

• Post-elaborazione del deep learning per il recupero della fase: la rete neurale esegue la post-elaborazione dopo il recupero della fase, come la riduzione del rumore, il miglioramento della risoluzione, la correzione della distorsione trapezoidale e l'unwrapping della fase.

• Apprendimento profondo per l'elaborazione della fase: la rete neurale utilizza la fase recuperata per applicazioni specifiche, come la segmentazione, la classificazione e la trasformazione del modello di imaging.

Per consentire ai lettori di saperne di più sulla fase di ripristino, è stata fornita anche una risorsa di aggiornamento in tempo reale (https://github.com/kqwang/phase-recovery).

Quando il deep learning viene applicato a vari processi della fase di recupero, non solo produce effetti senza precedenti, ma introduce anche alcuni rischi imprevedibili. Alcuni metodi possono sembrare simili, ma ci sono differenze difficili da individuare. Questi studiosi sottolineano le differenze e le connessioni tra alcuni approcci simili e offrono suggerimenti su come sfruttare al meglio il deep learning e i modelli fisici di recupero a fasi:

“Va notato che lo schema uPD (untrained fisica-guidata) è privo di molte immagini condensate come prerequisito, ma richiede molte iterazioni per ogni inferenza; mentre lo schema tPD (trained fisica-guidata) completa l’inferenza solo passando attraverso una rete neurale addestrata.” “Una volta, ma richiede un gran numero di immagini intensive per il pre-addestramento.”

“G_F È una costante vettoriale, il che significa che gli input alla rete neurale sono indipendenti dal campione, e quindi la rete neurale non può essere pre-addestrata come l’approccio PD”, hanno affermato presentando la precedente strategia di rete strutturale in Fisica.

“Le reti neurali profonde basate sull'apprendimento hanno un enorme potenziale ed efficienza, mentre i metodi tradizionali basati sulla fisica sono più affidabili. Pertanto, incoraggiamo l'integrazione di modelli fisici con reti neurali profonde, soprattutto per coloro che realizzano una buona modellazione del mondo reale, piuttosto che piuttosto che affidare alla rete neurale profonda tutte le attività come una scatola nera.” Gli scienziati suggeriscono.