Ricercatori dell’UCLA introducono un sistema QPI multispettrale progettato basandosi su una rete neurale ottica diffrattiva a banda larga

UCLA researchers introduce a multispectral QPI system designed based on a wideband diffractive optical neural network.

La Quantitative Phase Imaging (QPI) è un metodo di imaging all’avanguardia in molti ambiti scientifici e di microscopia. Consente di quantificare e osservare le più piccole differenze nella lunghezza del percorso ottico della luce mentre attraversa materiali trasparenti o semitrasparenti. La distribuzione dell’indice di rifrazione e i cambiamenti di spessore all’interno di un campione possono essere appresi molto con questa tecnica non invasiva e priva di etichette.

I sistemi di Imaging Quantitativo a Spettro Multiplo (QPI) si basano su questo principio fondamentale acquisendo più immagini di fase in una gamma di lunghezze d’onda o bande spettrali di interesse. La QPI ricava informazioni sull’indice di rifrazione e lo spessore del campione valutando gli spostamenti di fase che la luce subisce quando interagisce con un campione.

La QPI è una tecnica flessibile con utilizzi al di fuori delle tradizionali discipline biomediche come la biologia cellulare, la patologia e la biofisica. È utile in diversi campi scientifici, tra cui la scienza delle superfici per valutare le interfacce biologiche e la scienza dei materiali per caratterizzare componenti ottici, film sottili e nanoparticelle. Le sue capacità includono la ricerca di strutture e processi subcellulari, il monitoraggio della crescita e del comportamento delle cellule in tempo reale, la rilevazione del cancro, la rilevazione di patogeni, la misurazione dello spessore dei film sottili, la valutazione della qualità ottica e l’analisi della rugosità superficiale.

• Python Enumerate() Semplifica il loop con i contatori
• Incontra CityDreamer un modello generativo compositivo per città 3D illimitate
• Google AI presenta TSMixer un modello multivariato avanzato per la previsione a lungo termine che sfrutta le caratteristiche del modello lineare per ottenere prestazioni di benchmark elevate

Quindi, sono stati condotti studi approfonditi dai ricercatori sulla QPI e, pertanto, i ricercatori del Dipartimento di Ingegneria Elettrica e Informatica dell’Università della California, Los Angeles (UCLA), hanno introdotto un nuovo design per la QPI multispettrale.

Questo approccio utilizza il deep learning per creare una rete ottica diffrattiva a banda larga, che consente l’acquisizione di immagini di fase quantitative in diverse bande spettrali in un’unica istantanea. La rete ottica utilizza diversi strati diffrattivi dielettrici strutturati spazialmente, ciascuno con centinaia di migliaia di caratteristiche diffrattive trasmissive ottimizzate per il deep learning.

La rete ottica funziona come un trasformatore di fase in intensità ottica dopo la fabbricazione degli strati diffrattivi risultanti. Ciò avviene instradando otticamente i segnali QPI multispettrali su posizioni spaziali predeterminate al piano di uscita, dove un array di piano focale monocromatico misura le distribuzioni di intensità risultanti ed estrae i profili di fase degli oggetti di input a lunghezze d’onda predeterminate.

Questa rete ottica ottimizza le informazioni di fase multispettrale degli oggetti di input mediante deep learning, trasformandola in una distribuzione di intensità distinta nel campo di vista di output che codifica spazialmente le informazioni di fase dell’oggetto corrispondenti a ciascuna banda spettrale target separatamente.

La QPI è composta da due componenti principali. Una componente è un frontend di imaging, che è responsabile di eseguire l’interferometria ottica per trasformare le informazioni di fase necessarie in livelli di intensità che possono essere registrati utilizzando un sensore di immagine digitale, e la seconda è un’operazione di elaborazione digitale per eseguire l’elaborazione e la ricostruzione essenziali delle immagini di fase quantitative basate su questi segnali.

Per testare l’accuratezza del sistema, i ricercatori hanno convalidato la capacità di immagini di nuovi tipi di oggetti mai visti prima. Lo studio ha dimostrato che si tratta di un versatile imager quantitativo di fase multispettrale adatto a diverse applicazioni.