La lumière, en tant que champ électromagnétique, comporte deux composantes essentielles :l’amplitude et la phase. Cependant, les détecteurs optiques, qui reposent généralement sur la conversion photon-électron (tels que les capteurs de dispositifs à couplage de charge et l'œil humain), ne peuvent pas capturer la phase du champ lumineux en raison de leur fréquence d'échantillonnage limitée.

Heureusement, à mesure que le champ lumineux se propage, le retard de phase provoque également des changements dans la distribution d'amplitude; par conséquent, nous pouvons enregistrer l'amplitude du champ lumineux propagé puis calculer la phase correspondante, appelée récupération de phase.

Certaines méthodes courantes de récupération de phase comprennent l'holographie/interférométrie, la détection du front d'onde Shack-Hartmann, le transport de l'équation d'intensité et les méthodes basées sur l'optimisation (récupération de phase). Ils ont leurs propres défauts en termes de résolution spatio-temporelle, de complexité informatique et de gamme d'applications.

Ces dernières années, étape importante vers une véritable intelligence artificielle (IA), l'apprentissage profond, souvent mis en œuvre via des réseaux de neurones profonds, a atteint des performances sans précédent en matière de récupération de phase.

Dans un article de synthèse publié dans Light :Science &Applications , des scientifiques de l'Université de Hong Kong, de la Northwestern Polytechnical University, de l'Université chinoise de Hong Kong, de l'Université de technologie du Guangdong et du Massachusetts Institute of Technology ont examiné diverses méthodes de récupération de phase d'apprentissage profond sous les quatre perspectives suivantes :

• Prétraitement d'apprentissage en profondeur pour la récupération de phase :le réseau neuronal effectue un prétraitement sur la mesure d'intensité avant la récupération de phase, comme la super-résolution des pixels, la réduction du bruit, la génération d'hologrammes et la mise au point automatique.
• Apprentissage en profondeur pour la récupération de phase :le réseau neuronal effectue directement la récupération de phase ou participe au processus de récupération de phase avec le modèle physique ou l'algorithme basé sur la physique par des modes d'apprentissage supervisé ou non supervisé.
• Post-traitement d'apprentissage en profondeur pour la récupération de phase :le réseau neuronal effectue un post-traitement après la récupération de phase, tel que la réduction du bruit, l'amélioration de la résolution, la correction des aberrations et le déroulement de la phase.
• Apprentissage profond pour le traitement des phases :le réseau neuronal utilise la phase récupérée pour des applications spécifiques, telles que la segmentation, la classification et la transformation modale d'imagerie.

Pour permettre aux lecteurs d'en savoir plus sur la récupération de phase, ils ont également présenté une ressource de mise à jour en direct (https://github.com/kqwang/phase-recovery).

Lorsque l’apprentissage profond est appliqué à divers processus de récupération de phase, il entraîne non seulement des effets sans précédent, mais introduit également des risques imprévisibles. Certaines méthodes peuvent se ressembler, mais il existe des différences difficiles à détecter. Ces scientifiques soulignent les différences et les liens entre certaines méthodes similaires et donnent des suggestions sur la manière de tirer le meilleur parti de l'apprentissage profond et des modèles physiques pour la récupération de phase :

"Il convient de noter que le schéma uPD (piloté par la physique non entraînée) est exempt de nombreuses images d'intensité comme condition préalable, mais nécessite de nombreuses itérations pour chaque inférence ; tandis que le schéma tPD (piloté par la physique entraînée) complète l'inférence en passant uniquement par le réseau neuronal entraîné une fois, mais nécessite un grand nombre d'images d'intensité pour le pré-entraînement."

"z_f est un vecteur fixe, ce qui signifie que l'entrée du réseau neuronal est indépendante de l'échantillon, et donc le réseau neuronal ne peut pas être pré-entraîné comme l'approche PD", ont-ils déclaré lors de l'introduction de la stratégie de réseau en physique à priori structurel. .

"Les réseaux de neurones profonds basés sur l'apprentissage ont un potentiel et une efficacité énormes, tandis que les méthodes conventionnelles basées sur la physique sont plus fiables. Nous encourageons donc l'incorporation de modèles physiques avec des réseaux de neurones profonds, en particulier pour ceux qui modélisent bien à partir du monde réel, plutôt que de laisser le Le réseau neuronal profond accomplit toutes les tâches comme une « boîte noire »", ont déclaré les scientifiques.

Plus d'informations : Kaiqiang Wang et al, Sur l'utilisation de l'apprentissage profond pour la récupération de phase, Light :Science &Applications (2024). DOI : 10.1038/s41377-023-01340-x

Informations sur le journal : La lumière :science et applications

Fourni par Light Publishing Center, Institut d'optique, de mécanique fine et de physique de Changchun, CAS