Revolucionando la recuperación con aprendizaje profundo

La luz, como campo electromagnético, tiene dos componentes básicos: amplitud y fase. Sin embargo, los fotodetectores, que normalmente dependen de la conversión de fotones a electrones (por ejemplo, los sensores de dispositivos acoplados a carga y el ojo humano), no pueden capturar la fase del campo luminoso debido a su frecuencia de muestreo limitada. Afortunadamente, a medida que se propaga el campo luminoso, el retraso de fase también provoca cambios en la distribución de amplitud; Por lo tanto, podemos registrar la amplitud del campo luminoso que se propaga y luego calcular la fase correspondiente, lo que se denomina recuperación de fase. Algunos métodos comunes de recuperación de fase incluyen holografía/interferometría, detección de frente de onda de Schack-Hartmann, transferencia de ecuaciones de densidad y métodos basados ​​en optimización (recuperación de fase). Tienen sus propios inconvenientes en términos de resolución espacial y temporal, complejidad computacional y ámbito de aplicación. En los últimos años, como paso importante hacia una verdadera inteligencia artificial (IA), el aprendizaje profundo, a menudo implementado a través de redes neuronales profundas, ha logrado un rendimiento sin precedentes en la fase de recuperación.

En un nuevo artículo de revisión publicado en Light Science & Application, científicos de la Universidad de Hong Kong, la Universidad Politécnica Northwestern, la Universidad China de Hong Kong, la Universidad Tecnológica de Guangdong y el MIT revisan diferentes enfoques para la recuperación de la fase de aprendizaje profundo a partir de los siguientes cuatro perspectivas:

• Preprocesamiento de aprendizaje profundo para la recuperación de fase: la red neuronal realiza algún preprocesamiento de la medición de intensidad antes de la recuperación de fase, como resolución de súper píxeles, reducción de ruido, generación de imágenes 3D y enfoque automático.

• Aprendizaje profundo durante el procesamiento para la recuperación de fase: La red neuronal realiza directamente la recuperación de fase o participa en el proceso de recuperación de fase junto con el modelo físico o algoritmo basado en física a través de modos de aprendizaje supervisado o no supervisado.

• Postprocesamiento de aprendizaje profundo para la recuperación de fase: la red neuronal realiza un posprocesamiento después de la recuperación de fase, como reducción de ruido, mejora de la resolución, corrección trapezoidal y desenvolvimiento de fase.

• Aprendizaje profundo para el procesamiento de fases: la red neuronal utiliza la fase recuperada para aplicaciones específicas, como segmentación, clasificación y transformación de modelos de imágenes.

Para que los lectores sepan más sobre la fase de recuperación, también proporcionaron un recurso de actualización en vivo (https://github.com/kqwang/phase-recovery).

Cuando el aprendizaje profundo se aplica a diversos procesos de la fase de recuperación, no solo produce efectos sin precedentes, sino que también introduce algunos riesgos impredecibles. Algunos métodos pueden parecer similares, pero existen diferencias que son difíciles de detectar. Estos académicos señalan las diferencias y conexiones entre algunos enfoques similares y ofrecen sugerencias sobre cómo aprovechar al máximo el aprendizaje profundo y los modelos físicos de recuperación por etapas:

“Cabe señalar que el esquema uPD (impulsado por física no entrenada) carece de muchas imágenes condensadas como requisito previo, pero requiere muchas iteraciones para cada inferencia; mientras que el esquema tPD (impulsado por física entrenada) completa la inferencia solo pasando por una red neuronal entrenada». «Una vez, pero requiere una gran cantidad de imágenes intensivas para el entrenamiento previo».

«GRAMO_F Es una constante vectorial, lo que significa que las entradas a la red neuronal son independientes de la muestra y, por lo tanto, la red neuronal no se puede entrenar previamente como en el enfoque PD”, dijeron al presentar la estrategia de red estructural anterior en Física.

«Las redes neuronales profundas basadas en el aprendizaje tienen un enorme potencial y eficiencia, mientras que los métodos tradicionales basados ​​en la física son más fiables. Por lo tanto, fomentamos la integración de modelos físicos con redes neuronales profundas, especialmente para aquellos que hacen buenos modelos del mundo real, en lugar de «En lugar de dejar que la red neuronal profunda lidere todas las tareas como una caja negra». Los científicos sugieren.