Recuperación de fase mediante optimización fotónica del Hamiltoniano XY basada en ganancia

Convertir luz borrosa en imágenes nítidas

Muchas de las imágenes más precisas de la ciencia moderna se crean de forma indirecta: los detectores miden solo la intensidad de la luz dispersada por una muestra, pero no su fase, que codifica forma y estructura cruciales. Reconstruir imágenes completas a partir de esta información incompleta, una tarea llamada recuperación de fase, es notoriamente difícil para los ordenadores convencionales. Este artículo muestra cómo reformular ese desafío como un problema en el que una clase especial de dispositivos basados en luz es naturalmente eficaz, abriendo una vía hacia imágenes más rápidas y energéticamente eficientes en campos que van desde la cristalografía de rayos X hasta la astronomía.

Por qué perder la mitad de la información es un gran problema

Cuando los rayos X, los electrones o los haces láser rebotan en una muestra, forman una onda compleja descrita tanto por la amplitud (qué tan brillante) como por la fase (dónde están los picos y los valles de la onda). Los detectores estándar registran solo la amplitud, produciendo un patrón de difracción de intensidades. Muchos objetos distintos pueden dar lugar al mismo patrón, por lo que reconstruir el objeto original es como resolver un rompecabezas con muchas posibles soluciones. Los matemáticos han demostrado que, en general, esto es un problema muy difícil. Por tanto, se necesitan trucos adicionales para que el rompecabezas esté bien planteado y evitar quedar atrapado en soluciones erróneas.

Hacer el rompecabezas más resoluble con pantallas aleatorias

Un truco poderoso, conocido como patrones de difracción codificados (CDP), consiste en enviar copias idénticas del mismo frente de onda a través de varias pantallas de fase aleatoria distintas antes de registrar las intensidades. Cada pantalla revuelve la fase de una manera particular, ofreciendo efectivamente múltiples vistas del mismo objeto oculto. Cuando se usan suficientes pantallas, la teoría garantiza que esencialmente existe una única solución correcta consistente con todas las mediciones. Trabajos anteriores mostraron que, en este escenario, algoritmos digitales sofisticados pueden recuperar el objeto, pero siguen siendo computacionalmente costosos y aún pueden fallar cuando las mediciones contienen ruido.

Dejar que redes de luz hagan el trabajo difícil

Los autores muestran que la tarea de recuperación de fase con CDP puede escribirse exactamente como la minimización de la energía de un sistema en el que muchas flechas diminutas, o “spines”, pueden rotar suavemente en un plano. Esto se conoce como un Hamiltoniano XY. Es importante que redes de osciladores de luz acoplados —como condensados de excitón‑polaritón, arreglos de láseres y máquinas fotónicas Ising espaciales— tienden de forma natural a relajarse hacia estados de baja energía de este tipo cuando su ganancia y pérdida están correctamente ajustadas. Al mapear los datos experimentales en las intensidades de los acoplamientos entre estos osciladores, el sistema físico en sí mismo se convierte en un ordenador analógico que busca, en paralelo, la configuración de fases que mejor coincide con las mediciones.

Qué tan bien funciona el solucionador basado en luz

Mediante simulaciones numéricas detalladas, los investigadores comparan este solucionador fotónico basado en ganancia con uno de los mejores métodos digitales actuales, el algoritmo Relaxed‑Reflect‑Reflect (RRR). Los prueban tanto en imágenes reales simples como en campos de onda completamente complejos, incluidos vórtices bidimensionales, anillos de vórtice tridimensionales y datos complejos totalmente aleatorios. En una amplia gama de tamaños de problema y para varios tipos realistas de ruido —gaussiano, de Poisson y desplazamientos sistemáticos—, el método inspirado en la luz iguala o supera de forma consistente a RRR. Su ventaja es más clara en el régimen de ruido medio típico de muchos experimentos: donde el método digital comienza a difuminar detalles finos, el solucionador basado en ganancia aún recupera estructuras nítidas y fases más precisas, y mantiene esta ventaja incluso cuando crece la dimensionalidad del problema.

De la teoría a la imagen rápida y práctica

Puesto que la optimización la realizan las dinámicas continuas del dispositivo físico, resolver un problema de recuperación de fase se reduce a esperar a que la red óptica se asiente en un estado estacionario. Las plataformas fotónicas existentes y las próximas sugieren que dicha relajación podría tomar desde microsegundos hasta milisegundos, incluso para problemas que impliquen decenas o cientos de miles de variables, todo ello consumiendo mucho menos energía que una computación digital comparable. En términos sencillos, el trabajo demuestra que redes de luz cuidadosamente diseñadas pueden actuar como calculadoras especializadas y potentes para convertir patrones de difracción en bruto en imágenes con sentido, prometiendo reconstrucciones más rápidas y eficientes en aplicaciones que van desde la determinación de estructuras biológicas hasta el monitoreo en tiempo real de fluidos cuánticos.

Cita: Wang, R.Z., Li, G., Gentilini, S. et al. Phase retrieval via gain-based photonic XY-Hamiltonian optimization. Commun Phys 9, 85 (2026). https://doi.org/10.1038/s42005-026-02525-7

Palabras clave: recuperación de fase, computación fotónica, patrones de difracción codificados, optimización analógica, algoritmos de imagen