El IA ve a través del caos y alcanza el borde de lo que la física permite

Por lo tanto, usted (Viena), la Universidad de Glasgow y la Universidad de Grenoble han hecho la pregunta: ¿Dónde está el límite de precisión absoluto que es posible con los métodos ópticos? ¿Y cómo se puede abordar este límite lo más cerca posible? Y, de hecho, el equipo internacional ha logrado especificar un límite inferior para la precisión teóricamente alcanzable y en el desarrollo de algoritmos de inteligencia artificial para redes neuronales que están muy cerca de este límite después de una capacitación adecuada. Esta estrategia ahora se utilizará en procedimientos de imagen, como los utilizados en la medicina.

Un límite absoluto para la precisión

“Imaginemos que estamos mirando un pequeño objeto detrás de una caja de vidrio irregular y turbia”, dice el profesor. Stefan Rotter del Instituto de Física Teórica por Tu Wien. “No solo vemos una imagen del objeto, sino un modelo de luz complicado que consiste en muchos parches de luz más claros y oscuros. La pregunta ahora es: ¿cuánto podemos estimar con precisión dónde el objeto se basa realmente en esta imagen, y dónde está el límite absoluto de esta precisión?”

Estos escenarios son importantes en la biofísica o la humedad médica, por ejemplo. Cuando la luz se dispersa de la tela biológica, parece perder información sobre las estructuras de tela más profundas. Pero, ¿cuánto se puede recuperar esta información en principio? Esta pregunta no es solo de naturaleza técnica, sino que la física misma establece límites fundamentales aquí.

La respuesta a esta pregunta es proporcionada por una medida teórica: el SO Información de Fisher. Esta medida describe cuánta información contiene una señal óptica en un parámetro desconocido, como la posición del objeto. Si la información de Fisher es baja, la determinación precisa ya no es posible, no importa cuánto se analice la señal. Basado en este concepto de información de Fisher, el equipo pudo calcular un límite más alto a la precisión teóricamente accesible en diferentes escenarios experimentales.

Las redes neuronales aprenden de los modelos de luz caótica

Mientras que el equipo de TU Wien proporcionaba entradas teóricas, Dorian Bouchet de la Universidad de Grenoble (F) diseñó un experimento correspondiente con Laya Starshynov y Daniele Facecio de la Universidad de Glasgow (Reino Unido). En este experimento, un haz láser estaba dirigido a un pequeño objeto reflectante ubicado detrás de un líquido turbio, de modo que las imágenes grabadas solo mostraban luces de luz altamente distorsionadas. Las condiciones de medición variaron según la turbidez y, por lo tanto, también de la dificultad de obtener información precisa sobre la posición de la señal.

“Para el ojo humano, estas imágenes parecen modelos aleatorios”, dice Maximilian Weimar (Tu Wien), uno de los autores del estudio. “Pero si alimentamos muchas de estas imágenes, cada una con una posición de posición bien conocida, en una red neuronal, la red puede aprender qué modelos están asociados con qué posiciones”. Después de suficiente entrenamiento, la red pudo determinar la posición del objeto de una manera muy precisa, incluso con nuevos patrones desconocidos.

Casi al límite físico

Particularmente notable: la precisión del pronóstico fue solo mínimamente peor que el máximo teóricamente accesible, calculado utilizando la información de Fisher. “Esto significa que nuestro algoritmo respaldado por la inteligencia artificial no solo es efectivo, sino casi óptimo”, dice Stefan Rotter. “Casi exactamente alcanza la precisión permitida por las leyes de la física”.

Esta realización tiene consecuencias a gran escala: con la ayuda de algoritmos inteligentes, los métodos de medición óptica podrían haber mejorado significativamente en una amplia gama de áreas de diagnóstico médico para investigar sobre materiales y tecnología cuántica. En proyectos futuros, el equipo de investigación quiere trabajar con socios de física y medicina aplicadas para estudiar cómo estos métodos respaldados por la inteligencia artificial pueden usarse en sistemas específicos.