AI洞察混沌——达到物理学允许的极限

因此，维也纳工业大学、格拉斯哥大学和格勒诺布尔大学提出了这样的问题：光学方法所能达到的精度的绝对极限在哪里？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实现精度的最低极限，并为神经网络开发了人工智能算法，这些算法在经过适当训练后能非常接近该极限。该策略现在将被应用于成像程序，例如医学领域使用的成像技术。

精度的绝对极限

维也纳工业大学理论物理研究所的Stefan Rotter教授解释道："假设我们正在观察一块不规则磨砂玻璃后方的一个小物体。我们看到的不只是物体的单一图像，而是一个由许多明暗光斑组成的复杂光图案。现在的问题是：根据这幅图像，我们能在多大程度上精确估算物体的实际位置——这种精度的绝对极限又在哪里？"

这种场景在生物物理学或医学成像中具有重要意义。例如，当光被生物组织散射时，看似会丢失深层组织结构的信息。但理论上能恢复多少信息？这个问题不仅具有技术性，物理学本身也在此设定了根本性限制。

一个理论度量标准为此提供了答案：即所谓的费舍尔信息。该度量描述了光信号包含多少关于未知参数（如物体位置）的信息。若费舍尔信息量较低，则无论信号分析多么精密，都无法实现精确测定。基于费舍尔信息概念，该团队能够计算出不同实验场景下理论上可实现精度的上限。

神经网络从混沌光图案中学习

在维也纳工业大学团队提供理论支持的同时，格勒诺布尔大学（法国）的Dorian Bouchet与格拉斯哥大学（英国）的Ilya Starshynov和Daniele Faccio共同设计并实施了相应实验。实验中，激光束射向位于浑浊液体后方的小型反光物体，因此记录到的图像仅呈现高度畸变的光图案。测量条件随浑浊度变化——因此从信号中获取精确位置信息的难度也随之改变。

该研究作者之一Maximilian Weimar（维也纳工业大学）表示："在人眼看来，这些图像呈现为随机图案。但如果我们将许多此类图像（每张都对应已知物体位置）输入神经网络，网络就能学习哪些图案对应哪些位置。"经过充分训练后，即使面对新的未知图案，该网络也能非常精确地测定物体位置。

近乎物理极限

尤为值得注意的是：预测精度仅略逊于通过费舍尔信息计算出的理论可实现最大值。Stefan Rotter指出："这意味着我们AI支持的算法不仅有效，而且近乎最优——它几乎完全达到了物理学定律所允许的精度。"

这一认识具有深远影响：借助智能算法，光学测量方法可在广泛领域（从医学诊断到材料研究与量子技术）实现显著提升。该研究团队计划在未来的项目中与应用物理学和医学领域的合作伙伴共同探索如何将这些AI支持的方法应用于特定系统。