量子计算神经网络，科学家实现超分辨率成像相机

　　光的波动性质限制了光学成像系统的分辨率。一直以来，AbbeRayleigh准则一直被用来评估光学仪器的衍射极限分辨率。最近，人们对使用空间射影测量来提高成像设备的分辨率的兴趣日益浓厚，不幸的是，这些技术需要事先了解未知光束的相干性，并有严格的对准要求。
　　最近，路易斯安那州立大学（LSU）团队提出了一种用于超分辨率图像分析的智能量子相机，通过通用量子模型实现开发了用于识别光子涨落的深度神经网络。这一协议克服了当前基于空间模式投影的超分辨率算法限制，提供了新的显微镜技术、卫星图像和天文学技术。
　　7月16日，相关研究成果以《超越AbbeRayleigh准则的智能量子统计成像》为题〔1〕，发表在《量子信息》杂志上。
　　光量子变化决定了光源的特性。在这项研究中，科学团队证明了对光场量子统计特性的评估能够使成像超过AbbeRayleigh分辨率极限。
　　光子组合的统计波动是利用人工智能的自学能力来识别的。研究人员开发了一种量子相机，能够识别每个像素的光子统计数据。为了实现这一目标，他们创建了一个通用量子模型可以表示由任意光源组合的散射产生的光子统计量。通过这种方法，研究人员可以克服基于空间模式投影和多路复用的传统超分辨率程序的基本限制〔2〕。
　　使用633nm的连续波激光器，研究人员通过产生不同、模糊或部分可辨别的光源的相干不相干叠加来展示概念验证量子相机。
　　该相机采用人工神经网络来确定区域内每个点源的光子特征，并描述由无理数光源散射产生的光子统计量，进行光子数分辨检测可实现这一独特特性。在更基本的层面上，光学仪器的最终分辨率是由量子物理定律通过海森堡不确定性原理建立的。根据海森堡不确定性原理，这种相机的灵敏度受到光子波动限制，而非AbbeRayleigh分辨率限制。
　　实验设置概念图。a。衍射限制用于远程成像光学仪器的分辨率场景。协议中，人工神经网络能够识别光子统计量，这些光子统计量表征构成目标对象的点源。这种能力使科学家能够将光学仪器的空间分辨率提高到AbbeRayleigh分辨率极限之外；b。实验设置旨在产生两个独立的热光源和一个相干光源。每个光源的量子特征信息由人工神经网络识别；然后，该信息用于产生超出衍射极限物体的高分辨率图像。
　　a。用于识别光子特征的双层神经网络方案；b。神经网络的性能作为测试过程中数据样本数量的函数。对于100个数据点，五种复杂光类的分类准确率为80；3500个数据点时，神经网络的性能增加到大约95。
　　基于光子统计检测，对超分辨成像技术进行了定量描述。研究人员证明，用于超分辨率图像分析的智能相机可以比标准直接成像方法以更高的分辨率检测小的空间细节。
　　因此，智能相机使超越AbbeRayleigh标准的成像成为可能。对于更大的分离距离，智能相机的性能与强度测量的精度相匹配。此外，当物体之间的距离减小时，智能相机则会超越直接成像。
　　智能相机的空间分辨率与直接成像比较。a。红线是蒙特卡罗模拟结果，蓝色虚线表示此次实验中分辨率成像极限，蓝点代表使用智能相机收集的、用于超分辨率成像的实验数据。bd中第一行显示了通过直接成像获得的空间剖面图，第二行显示了使用智能相机技术获得的超分辨率图像。误差线是通过重复实验十次生成的。
　　此次实验开发了一种量子相机，它超过了超分辨率成像的AbbeRayleigh分辨率限制。利用人工智能的自学能力，量子统计成像方法能够识别完全未知光源混合的统计波动。
　　虽然智能相机在分辨率方面的表现与传统的超分辨率方案相当，但研究人员指出，量化光子的量子统计波动可以规避当前与空间模式投影相关的超分辨率协议的固有缺点。特别是，该技术不需要事先了解光场的相干性。这一发现可能会为光学成像创造一个范式，对显微镜、卫星图像和天文学产生重大影响。
　　参考链接：
　　〔1〕https：www。nature。comarticless41534022005935
　　〔2〕https：www。azooptics。comNews。aspx？newsID27693