人工智能洞穿混沌——抵达物理学允许的临界点

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以下问题：光学方法所能达到精度的绝对极限在哪里？如何能最大程度逼近该极限？最终，该国际团队成功确定了理论上可实现精度的最低极限，并开发了用于神经网络的人工智能算法，这些算法在经过足够训练后可极为接近该极限。该策略现计划应用于医学等领域的成像技术。

精度的绝对极限

"设想我们正透过一块不规则的浑浊玻璃观察后方微小物体，"维也纳技术大学理论物理研究所的Stefan Rotter教授解释道，"我们看到的不仅是物体影像，还有由许多明暗光斑组成的复杂光场图案。核心问题是：基于该图像，我们能在多大程度上精确判定物体的真实位置——以及这种精度的绝对极限何在？"

此类场景在生物物理学或医学成像中至关重要。例如当光在生物组织中发生散射时，看似会丧失深层组织结构信息。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限制。

理论度量指标——费舍尔信息量——为这个问题提供了答案。该指标量化了光学信号对未知参数（如物体位置）的信息承载量。若费舍尔信息量过低，无论采用何种精密信号分析手段，都无法实现精确定位。基于此概念，团队成功计算出不同实验场景下理论可实现精度的上限。

神经网络从混沌光场中学习

当维也纳技术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，因而记录图像仅呈现高度畸变的光场图案。测量条件随浑浊度变化——由此影响从信号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（维也纳技术大学）表示，"但若将大量此类图像（每张均已知物体位置）输入神经网络，该网络就能学习特定图案与对应位置的关联。"经过充分训练后，即使面对未知新图案，该网络仍可实现极高精度的物体定位。

近乎物理极限

尤为值得注意的是：其实测预测精度与基于费舍尔信息量计算的理论极限值仅存在微小偏差。"这表明我们的人工智能算法不仅高效，而且接近最优解，"Stefan Rotter强调，"它几乎精确达到了物理定律所允许的精度上限。"

该发现具有深远影响：借助智能算法，光学测量方法有望在医学诊断、材料研究及量子技术等广泛领域实现显著提升。研究团队计划在未来项目中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方法在具体系统中的实施路径。