人工智能突破混沌屏障——抵达物理极限边缘

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了问题：光学方法所能达到的精确度的绝对极限在哪里？如何才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确度的最低极限，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够非常接近该极限。这一策略现计划应用于医学等领域的成像程序。

精确度的绝对极限

"想象我们正透过一块不规则、浑浊的玻璃观察后方的小物体，"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的图像，而是一个由许多明暗相间的光斑组成的复杂光图案。问题在于：基于此图像，我们能在多大程度上精确估算物体的实际位置？——这种精确度的绝对极限又在哪里？"

此类场景在生物物理学或医学成像中至关重要。例如，当光线被生物组织散射时，似乎会丢失关于深层组织结构的信息。但原则上能恢复多少信息？这不仅是个技术问题，物理学本身在此设定了根本性限制。

该问题的答案由一个理论度量提供：即所谓的费雪信息。该度量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，则无论信号分析如何精密，都无法实现精确测定。基于费雪信息概念，团队成功计算出不同实验场景下理论上可实现精确度的上限。

神经网络从混沌光图案中学习

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）的Dorian Bouchet与格拉斯哥大学（英）的Ilya Starshynov、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射体，因此记录的图像仅呈现高度畸变的光图案。测量条件随浑浊度变化——从而也影响了从信号中获取精确位置信息的难度。

"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——每个对应已知物体位置——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，该网络即使面对新的未知图案，也能非常精确地测定物体位置。

近乎达到物理极限

尤其值得注意的是：预测精确度仅略低于使用费雪信息计算出的理论最大值。"这表明我们的人工智能算法不仅有效，而且近乎最优，"Stefan Rotter强调。"它几乎完全达到了物理定律所允许的精确度。"

这一认识影响深远：借助智能算法，光学测量方法可在从医学诊断到材料研究乃至量子技术等广泛领域实现显著提升。在未来的项目中，研究团队计划与应用物理和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际应用。