
طريقة تستخدم الشبكات العصبية لكشف أو إعادة بناء حالات الاستقطاب من بيانات الفوتونات.استقطابية الشبكات العصبية هي تقنية حسابية تستخدم التعلم الآلي لاستنتاج حالة استقطاب الضوء من عدد صغير جدًا من الفوتونات المكتشفة. تتطلب الاستقطابية التقليدية قياس شدة الضوء عبر اتجاهات متعددة للمرشحات، مما يستلزم العديد من الفوتونات لتحقيق دقة إحصائية. عندما يتوفر عدد قليل فقط من الفوتونات—على سبيل المثال، من مصدر فلكي خافت أو في قياس سريع الحركة—يصبح إعادة البناء مشوشًا أو مستحيلًا بالطرق التقليدية. يمكن للشبكات العصبية، المدربة على بيانات محاكاة أو معايرة، التعرف على أنماط دقيقة في تعدادات الفوتونات المتناثرة واستعادة معلومات الاستقطاب التي قد تضيع بخلاف ذلك.
ظهر تطبيق الشبكات العصبية على الاستقطابية في العقد 2010، مدفوعًا بالتقدم في التعلم العميق والحاجة إلى قياسات استقطابية أسرع وأكثر حساسية في مجالات مثل التصوير الطبي الحيوي وعلم الفلك. لا يُنسب الفضل إلى مخترع واحد؛ بل تطور من خلال مساهمات من مجموعات بحثية متعددة.
تتضمن الطريقة عادةً شبكة عصبية تأخذ كمدخلات أحداث الكشف الخام (مثل تعدادات الفوتونات في قنوات استقطاب مختلفة) وتخرج معاملات ستوكس المقدرة التي تصف حالة الاستقطاب. تُدرب الشبكة على مجموعة بيانات كبيرة من اكتشافات الفوتونات المحاكاة ذات حالات استقطاب معروفة، وتتعلم التعيين الإحصائي من البيانات المتناثرة إلى الاستقطاب الأساسي. بمجرد تدريبها، يمكنها معالجة القياسات الجديدة في الوقت الفعلي، مما يحقق فعليًا 'رؤية غير المرئي' عن طريق استخراج المعلومات من الضوضاء.
تُستخدم في التصوير الطبي الحيوي لتحليل بنية الأنسجة من الضوء المتناثر، وفي الاستشعار عن بعد (مثل الليدار) لتمييز الماء عن السحب الجليدية، وفي علم الفلك لقياس استقطاب الأجسام الخافتة مثل النجوم النيوترونية أو الكواكب الخارجية.
يمكن للاستقطابية بالشبكات العصبية إعادة بناء الاستقطاب من بضع عشرات من الفوتونات فقط، بينما تتطلب الطرق التقليدية آلافًا.
| A | متغير | Polarization vector — polarization vector |
| Δ | متغير | Amplitude of the field — سعة volt per metre |
| e_x | متغير | Unit vector along x-axis — متجه وحدة |
| e_y | متغير | Unit vector along y-axis — متجه وحدة |
| i | مؤثر | Complex number with square -1 — الوحدة التخيلية |













