人工智能算法逼近光学测量精度的理论极限

没有任何图像能绝对清晰。150年来学界已形成共识：无论显微镜或相机的构造如何精妙，其分辨率始终存在无法突破的根本性极限。粒子的位置永远无法被无限精确测定，某种程度的模糊不可避免。这种限制并非源于技术缺陷，而是由光的物理特性及信息传递本质所决定。

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疑问：光学方法所能达到的绝对精度极限在哪里？如何能尽可能接近这一极限？

这个国际团队成功界定了理论上可达到精度的最低极限，并为神经网络开发出经适当训练后能无限接近该极限的人工智能算法。该策略将被应用于医学成像等场景，相关成果发表在《自然·光子学》期刊上。

图片:搜狗截图20250604102846.png

实验原理

精度存在绝对极限

维也纳工业大学理论物理研究所的Stefan Rotter教授解释："设想我们透过不规则的有纹路的磨砂玻璃观察后方的小物体。看到的不仅是物体影像，还有由明暗相间光斑构成的复杂光纹。问题在于：基于这种图像推测物体实际位置的精度极限究竟是多少？"

这类场景在生物物理学和医学成像中至关重要。例如当光线被生物组织散射时，深层组织结构的信息似乎会丢失。但理论上能恢复多少信息？这不仅涉及技术层面，物理学本身在此设定了根本性限制。

"Fisher信息量"这一理论度量给出了答案——它描述光学信号携带多少关于未知参数（如物体位置）的信息。若该数值偏低，则无论采用多精密的信号分析手段都无法实现精确定位。基于此概念，研究团队计算出不同实验场景下理论精度的上限值。

神经网络解析光斑

在维也纳团队提供理论支持的同时，格勒诺布尔大学的Dorian Bouchet与格拉斯哥大学的Ilya Starshynov、Daniele Faccio合作设计并实施了实验：将激光束射向浑浊液体后方的小型反光物体，记录下的图像仅呈现高度失真的光斑。测量精度随浑浊度变化——这决定了从信号中获取位置信息的难度。

论文作者之一Maximilian Weimar表示："这些图像在人眼看来如同随机图案。但若向神经网络输入大量已知物体位置的此类图像，它就能学习图案与位置的关联规律。"充分训练后，该网络即使面对全新未知图案也能精确定位物体。

无限逼近物理极限

研究发现，神经网络预测精度仅略低于费舍尔信息量计算的理论最大值。Stefan Rotter教授指出："这表明我们的人工智能算法不仅高效，而且趋近最优——它几乎达到了物理学定律允许的极限精度。"

这一认知影响深远：借助智能算法，光学测量方法将在医学诊断、材料研究及量子技术等领域获得显著提升。研究团队未来计划与应用物理及医学领域的合作伙伴共同探索如何将这些人工智能技术应用于具体场景。

相关链接：https://dx.doi.org/10.1038/s41566-025-01657-6