AI洞穿混沌——突破物理定律的边界

因此，维也纳工业大学（TU Wien）、格拉斯哥大学和格勒诺布尔大学提出疑问：光学方法所能达到的精度绝对极限在哪里？如何能尽可能接近这一极限？事实上，该国际团队成功确定了理论上可达到精度的最低极限，并开发了神经网络AI算法，该算法在经过适当训练后可非常接近此极限。此策略现计划应用于成像程序，例如医学成像。

精度的绝对极限

"想象我们正在观察一块不规则磨砂玻璃后面的微小物体，"维也纳工业大学理论物理研究所的Stefan Rotter教授解释道，"我们看到的不仅是物体图像，而是由许多明暗光斑组成的复杂光图案。核心问题是：基于此图像，我们估算物体实际位置的精确度能达到多高——以及这种精度的绝对极限在哪里？"

此类场景在生物物理学或医学成像中至关重要。例如当光被生物组织散射时，看似丢失了深层组织结构信息。但原则上可复原多少信息？这不仅涉及技术层面，物理学本身在此设定了根本性限制。

理论度量指标费雪信息提供了答案。该指标描述光学信号包含多少关于未知参数（如物体位置）的信息。若费雪信息值低，无论如何精巧分析信号都无法实现精确定位。基于费雪信息概念，团队成功计算出不同实验场景中理论可达到精度的上限。

神经网络从混沌光斑中学习

当维也纳工业大学团队提供理论支持时，格勒诺布尔大学（法国）的Dorian Bouchet与格拉斯哥大学（英国）的Ilya Starshynov、Daniele Faccio共同设计并实施了对应实验。实验中，激光束照射位于浑浊液体后的微型反光物体，因此记录的图像仅呈现高度畸变的光斑图案。测量条件随浊度变化——进而影响从信号获取位置信息的难度。

"这些图像在人眼看来如同随机图案，"研究作者之一Maximilian Weimar（维也纳工业大学）表示，"但若将大量此类图像（每张均含已知物体位置）输入神经网络，网络就能学习图案与位置的关联规律。"经过充分训练后，即使面对未知新图案，网络也能精确定位物体位置。

逼近物理极限

尤其值得注意的是：预测精度仅略微差于通过费雪信息计算的理论最大值。"这表明我们的人工智能算法不仅高效，而且近乎最优，"Stefan Rotter强调，"它近乎完美地达到了物理定律允许的精度极限。"

该发现影响深远：借助智能算法，光学测量方法可在众多领域显著提升——从医学诊断到材料研究乃至量子技术。未来项目中，研究团队将与应用物理学和医学领域的合作伙伴共同探索这些AI支持方法在具体系统中的实施路径。