Fase‑retrieval via winstgebaseerde fotonische XY‑Hamiltoniaanoptimalisatie

Onscherp licht omzetten in heldere beelden

Veel van de scherpste beelden in de moderne wetenschap ontstaan op een omweg: detectoren meten alleen de helderheid van licht dat van een monster wordt verstrooid, maar niet de fase, die cruciale informatie over vorm en structuur bevat. Het reconstrueren van volledige beelden uit deze onvolledige informatie — een taak die fase‑retrieval wordt genoemd — is berucht moeilijk voor conventionele computers. Dit artikel laat zien hoe je die uitdaging kunt herformuleren als een probleem dat een speciale klasse lichtgebaseerde apparaten van nature goed kan oplossen, en opent daarmee een weg naar snellere en energiezuinigere beeldvorming in vakgebieden variërend van röntgenkristallografie tot astronomie.

Waarom het verliezen van de helft van de informatie een groot probleem is

Wanneer röntgenstralen, elektronen of laserbundels op een monster terugkaatsen, vormen ze een complexe golf die zowel amplitude (hoe helder) als fase (waar de pieken en dalen liggen) beschrijft. Standaarddetectoren registreren alleen de amplitude en geven een diffractiepatroon van intensiteiten. Veel verschillende onderliggende objecten kunnen tot hetzelfde patroon leiden, dus het reconstrueren van het oorspronkelijke object is als het oplossen van een puzzel met vele mogelijke oplossingen. Wiskundigen hebben laten zien dat dit in het algemeen een zeer lastig probleem is. Extra trucs zijn daarom nodig om de puzzel goed te stellen en te voorkomen dat men in foutieve oplossingen verstrikt raakt.

De puzzel oplosbaarder maken met willekeurige schermen

Een krachtige truc, bekend als gecodeerde diffractiepatronen (CDP), is om identieke kopieën van hetzelfde golffront door verschillende willekeurige fasschermen te sturen voordat de intensiteiten worden vastgelegd. Elk scherm verstrooit de fase op een andere manier en geeft zo meerdere gezichtspunten van hetzelfde verborgen object. Wanneer voldoende zulke schermen worden gebruikt, garandeert de theorie dat er wezenlijk één correcte oplossing is die consistent is met alle metingen. Eerder werk toonde aan dat in deze opzet geavanceerde digitale algoritmen het object kunnen terugwinnen, maar die blijven rekenintensief en kunnen nog steeds tekortschieten wanneer de metingen ruis bevatten.

Netwerken van licht het zware werk laten doen

De auteurs laten zien dat de CDP‑fase‑retrievaltaak exact kan worden opgeschreven als het minimaliseren van de energie van een systeem waarin veel kleine pijlen, of “spins”, vloeiend in een vlak kunnen draaien. Dit staat bekend als een XY‑Hamiltoniaan. Belangrijk is dat netwerken van gekoppelde lichtoscillatoren — zoals exciton‑polaritoncondensaten, arrays van lasers en ruimtelijke fotonische Ising‑machines — van nature geneigd zijn naar laagenergie‑toestanden van precies dit type te relaxeren wanneer hun versterking en verlies goed worden afgestemd. Door de experimentele data te vertalen naar de sterktes van de koppelingen tussen deze oscillatoren, wordt het fysieke systeem zelf een analoge computer die parallel zoekt naar de configuratie van fases die het beste met de metingen overeenkomt.

Hoe goed presteert de lichtgebaseerde solver

Met gedetailleerde numerieke simulaties vergelijken de onderzoekers deze winstgebaseerde fotonische solver met één van de beste huidige digitale methoden, het Relaxed‑Reflect‑Reflect (RRR)‑algoritme. Ze testen beide op eenvoudige reële beelden en op volledig complexe golfvelden, inclusief tweedimensionale vortexen, driedimensionale vortexringen en geheel willekeurige complexe data. Over een breed scala aan probleemgroottes en voor verschillende realistische ruisvarianten — Gaussiaans, Poisson en systematische verschuivingen — evenaart of overtreft de door licht geïnspireerde methode consequent RRR. Het voordeel is het duidelijkst in het middelhoog‑ruisregime dat typisch is voor veel experimenten: waar de digitale methode begint fijne structuren te vervagen, herstelt de winstgebaseerde solver nog steeds scherpe structuren en nauwkeurigere fases, en behoudt deze voorsprong zelfs wanneer de dimensionaliteit van het probleem toeneemt.

Van theorie naar snelle, praktische beeldvorming

Aangezien de optimalisatie wordt uitgevoerd door de continue dynamica van het fysieke apparaat, komt het oplossen van een fase‑retrievalprobleem neer op afwachten totdat het optische netwerk in een stationaire toestand ontspant. Bestaande en nabije‑toekomstige fotonische platforms suggereren dat zo’n relaxatie microseconden tot milliseconden kan duren, zelfs voor problemen met tienduizenden tot honderdduizenden variabelen, terwijl ze veel minder energie verbruiken dan een vergelijkbare digitale berekening. Simpel gezegd toont het werk aan dat zorgvuldig ontworpen netwerken van licht kunnen optreden als krachtige, gespecialiseerde rekenmachines om ruwe diffractiepatronen om te zetten in betekenisvolle beelden, wat snellere en efficiëntere reconstructie belooft in toepassingen van biologische structuurbepaling tot realtime monitoring van kwantumvloeistoffen.

Bronvermelding: 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

Trefwoorden: fase‑retrieval, fotonisch rekenen, gecodeerde diffractiepatronen, analoge optimalisatie, beeldvormingsalgoritmen