AI洞悉混沌——触及物理学允许的极限

因此，维也纳理工大学（TU Wien）、格拉斯哥大学和格伦诺布尔大学提出了这个问题：光学方法所能达到的精度绝对极限在哪里？以及如何能尽可能接近这一极限？事实上，该国际团队成功地确定了理论上可达到精度的最低限值，并开发了用于神经网络的人工智能算法，该算法在经过适当训练后能非常接近此极限。该策略现计划应用于成像程序，例如医学领域所使用的成像技术。

精度的绝对极限

维也纳理工大学理论物理研究所的Stefan Rotter教授解释道："设想我们正在观察一块不规则磨砂玻璃后方的小物体。我们看到的不只是物体的单一图像，而是由众多明暗光斑组成的复杂光图案。核心问题在于：基于此图像，我们能以多高的精度估算物体的实际位置？这种精度的绝对极限又在哪里？"

此类情境在生物物理学或医学成像中至关重要。例如当光线被生物组织散射时，看似丢失了深层组织结构的信息。但从原理上讲，有多少信息能被恢复？这不仅涉及技术层面，物理学本身在此设定了根本性的限制。

衡量该问题的理论指标是所谓的费雪信息。该指标描述了光学信号包含多少关于未知参数（如物体位置）的信息。若费雪信息量低，则无论采用多么精密的信号分析技术，都无法实现精确测定。基于费雪信息理论，该团队成功计算出不同实验场景下理论可达到精度的上限。

神经网络从无序光斑中学习

在维也纳理工大学团队提供理论支持的同时，格伦诺布尔大学（法）的Dorian Bouchet与格拉斯哥大学（英）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方的小型反光物体，因此记录图像仅呈现高度畸变的光斑。测量条件随浊度而变化，从信号中获取精确位置信息的难度也随之改变。

研究作者之一Maximilian Weimar（维也纳理工大学）表示："在人眼看来，这些图像如同随机图案。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，网络就能学习特定图案对应的位置信息。"经过充分训练后，该网络即使面对全新的未知图案，也能精确判定物体位置。

近乎触及物理极限

尤为值得注意的是：预测精度仅略低于通过费雪信息计算的理论可实现最大值。Stefan Rotter指出："这表明我们的人工智能算法不仅高效，且近乎最优——几乎完全达到了物理定律所允许的精度。"

这一认知影响深远：借助智能算法，光学测量方法可在众多领域实现显著提升——从医学诊断到材料研究乃至量子技术。在未来的项目中，该研究团队计划与应用物理学及医学领域的合作伙伴共同探索这些人工智能支持方法在具体系统中的实施路径。