当你面对的是一个模糊图像时，究竟如何才能精确测量一个物体？在维也纳工业大学 (TU Wien)，研究人员利用人工智能突破了可能性的界限。

没有任何图像能做到绝对清晰。150多年来，科学家们一直明白，即使是最先进的显微镜和照相机也会受到无法克服的基本分辨率极限的影响。不可能无限精确地确定粒子的确切位置，模糊总是存在一定程度的。这一限制并非源于技术缺陷，而是源于光的固有特性和信息传输方式。

鉴于此，来自维也纳工业大学、格拉斯哥大学和格勒诺布尔阿尔卑斯大学的研究人员着手回答一个根本问题：光学技术能达到的最终精度极限是什么？以及，是否有可能尽可能接近这一理论边界？该国际团队设法从理论上确定了可达到的最低精度极限，并开发了基于神经网络的人工智能系统，这些系统在经过充分训练后，表现已极为接近这一极限。他们目前正将该方法准备用于成像技术的实际应用中，包括医疗诊断中的成像技术。

精确度的绝对极限

“让我们设想一下，我们正在透过一块形状不规则且云雾缭绕的玻璃，观察一个小物体，”来自维也纳工业大学理论物理研究所的斯特凡·罗特教授说道。“我们看到的不仅仅是物体的图像，而是一个复杂的光图案，由许多较亮和较暗的光斑组成。现在的问题是：我们如何根据这个图像精确估计物体的实际位置——以及这种精确度的绝对界限在哪里？”

例如，在生物物理或医学成像等领域，此类场景十分重要。当光被生物组织散射时，似乎会丢失深层组织结构的信息。但原则上可以恢复多少此类信息？此问题不仅具有技术性质，而且物理学本身也在此处设置了基本限制。

这个问题可以通过一个理论指标来解答：即所谓的费雪信息（Fisher information）。该指标描述了一个光信号包含的有关未知参数（例如物体位置）的信息量。如果费雪信息较低，那么无论信号分析多么复杂精细，都无法实现精确定位。基于费雪信息的概念，研究团队得以计算出不同实验场景下理论上可实现精度的上限。

神经网络从混沌的光模式中学习

维也纳工业大学 (TU Wien) 团队提供理论支持的同时，由格勒诺布尔阿尔卑斯大学 (法国) 的多里安·布歇与格拉斯哥大学 (英国) 的伊利亚·斯塔尔申诺夫和达尼埃莱·法乔共同设计并实施了一项相应的实验。在该实验中，激光束被对准位于浑浊液体后方的小型反射物体，因此所记录的图像仅显示出高度失真的光图案。测量条件会根据浑浊度的不同而变化，因此从信号中获取精确位置信息的难易程度也有所不同。

“对人眼来说，这些图像看起来像是随机图案，”该研究的作者之一、维也纳理工大学 (TU Wien) 的马克西米利安·魏玛说道。“但是，如果我们把许多这样的图像（每个图像都有一个已知的对象位置）输入神经网络，该网络就可以学习哪些图案与哪些位置相关联。”经过足够的训练后，该网络甚至能够非常精确地确定新未知图案的对象位置。

几乎已达体能极限

尤其值得注意的是：使用费雪信息计算得出的预测精确度仅略低于理论上可达到的最大值。“这意味着我们的人工智能支持算法不仅有效，而且几乎是最优的，”斯特凡·罗特表示，“它实现的精确度几乎完全符合物理定律所允许的范围。”

这一发现具有深远的影响：在智能算法的帮助下，光学测量方法能够在从医学诊断到材料研究和量子技术等广泛领域得到显著改善。在未来的项目中，研究团队希望与应用物理和医学领域的合作伙伴一起研究如何在特定系统中使用这些人工智能支持的方法。

参考文献：伊利亚·斯塔申诺夫、马克西米利安·魏玛、卢卡斯·M·拉赫鲍尔、京特·哈克尔、达涅尔·法乔、斯特凡·罗特和多里安·布歇于2025年5月28日在《自然·光子学》上发表的“复杂介质中深度学习显微镜的克拉美-罗界无模型估计”。数字对象唯一标识符：10.1038/s41566-025-01657-6

不要错过任何一项突破：订阅SciTechDaily新闻简报。