Adaptive Information Mining: verso il limite quantistico dell’imaging a super-risoluzione

Abstract degli autori

Il «limite di Rayleigh» non è una proprietà intrinseca della luce, ma una conseguenza della misurazione non ottimale dei fotoni raccolti da parte dello strumento di imaging. Per superare questa limitazione, presentiamo Adaptive Information Mining, un metodo che raggiunge la super-risoluzione utilizzando misurazioni affinate in sequenza per i fotoni in arrivo. Il nostro approccio impiega un sistema di imaging riconfigurabile che modifica dinamicamente le risposte di misura dello strumento per massimizzare l’informazione di Fisher e guidare la stima della scena verso il limite quantistico fondamentale, anche in regimi ben al di sotto del limite di Rayleigh. Dimostriamo che questo approccio permette di ottenere, nell’imaging di sorgenti puntiformi, un errore di stima da 2 a 5 volte più vicino al limite quantistico fondamentale rispetto all’imaging diretto tradizionale, senza richiedere alcuna conoscenza preliminare delle posizioni e delle luminosità delle sorgenti. Un risultato importante è la dimostrazione che AIM può essere esteso alla stima multiparametrica completamente alla cieca in scenari che prevedono un numero sconosciuto di sorgenti o distorsioni del fronte d’onda indotte dalla turbolenza. Il nostro approccio affronta i limiti dell’imaging convenzionale a configurazione fissa, offrendo una via pratica verso l’imaging a super-risoluzione al limite quantistico.