人工智能看透混沌——达到物理学允许的极限范畴

因此，维也纳技术大学（TU Wien）、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？如何才能尽可能接近这个极限？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，并开发了用于神经网络的AI算法，该算法在经过适当训练后能非常接近这一极限。此策略现计划用于成像程序，例如医学领域的成像。

精度的绝对极限

“想象一下，我们正在观察一块不规则浑浊玻璃板后方的小物体，”维也纳技术大学理论物理研究所的Stefan Rotter教授解释道。“我们看到的不仅仅是物体的图像，而是一个由许多明暗光斑构成的复杂光图案。现在的问题是：根据此图像，我们能在多大精确程度上估算物体的实际位置——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，物理学本身在此也设定了根本性限制。

一个理论度量提供了该问题的答案：所谓的费雪信息。该度量描述了一个光学信号包含多少关于未知参数（如物体位置）的信息。如果费雪信息量低，则无论信号分析得多么复杂精密，都无法实现精确测定。基于这一费雪信息概念，该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。

神经网络从混沌光图案中学习

在维也纳技术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共同设计并实施了一项对应实验。实验中，激光束照射位于浑浊液体后方的一个小型反光物体，因此记录到的图像仅显示高度畸变的光图案。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。

“在人眼看来，这些图像像是随机图案，”该研究的作者之一Maximilian Weimar（维也纳技术大学）表示。“但若将许多此类图像——每张都带有已知的物体位置——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确定物体位置。

几乎达到物理极限

尤为值得注意的是：预测的精度仅略低于使用费雪信息计算出的理论可实现最大值。“这意味着我们AI支持的算法不仅有效，而且近乎最优，”Stefan Rotter说。“它几乎完全达到了物理定律所允许的精度。”

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和量子技术）得到显著改进。在未来的项目中，该研究团队计划与应用物理学和医学领域的合作伙伴合作，研究如何将这些AI支持的方法应用于具体系统。