推算依据说明
文章主要涉及维也纳工业大学（奥地利）、格勒诺布尔大学（法国）、格拉斯哥大学（英国）的联合研究，主要研究机构位于奥地利。文献引用显示该成果发表于2025年5月28日的《自然光子学》，结合网页发布时间2025年8月2日，采用论文发表日期作为基准时间。
研究突破
维也纳工业大学理论物理研究所Stefan Rotter教授团队联合国际研究团队，首次在实验中验证人工智能算法可逼近光学成像的物理极限。该研究通过建立费雪信息量（Fisher information）理论模型，计算出光学信号中未知参数（如物体位置）的理论精度上限，并设计神经网络进行验证。
实验设计
法国格勒诺布尔大学Dorian Bouchet团队与英国格拉斯哥大学Daniele Faccio团队合作，搭建了包含浑浊液体介质的实验平台。激光照射反射物体后，记录下高度扭曲的光斑图案。通过改变介质浑浊度模拟不同测量环境，训练神经网络识别物体位置与光斑模式的关联性。
核心发现
- 物理极限验证：神经网络定位精度比理论极限仅低0.5%，证明AI算法已接近量子力学原理限定的测量极限
- 信息恢复边界：生物组织散射导致的信息损失存在物理边界，该边界可通过费雪信息量精确量化
- 技术应用潜力：在医学影像、量子技术、材料科学等领域具有广泛应用前景，维也纳团队正与应用物理学和医学机构合作推进临床验证
理论创新
研究团队提出"无模型估计Cramér-Rao下限"方法，为复杂介质中的超分辨率成像提供了全新理论框架。该方法突破了传统光学成像的衍射极限，使定位精度达到亚波长级别。
学术价值
该研究首次在实验中验证了信息论在光学测量中的物理约束，为人工智能辅助成像技术建立了理论基准。论文发表于《自然光子学》，标志着光学测量精度研究进入新阶段。
【全文结束】
