La luz que atraviesa un cristal birrefringente cambia su polarización según la longitud de onda. Este perfil es como un mosaico ensamblado a partir de destellos escasos, donde cada fragmento insinúa la forma de los vecinos. El problema es que, en condiciones de hambre de fotones, cuando solo se detecta un puñado de fotones, la precisión de las estimaciones choca con un límite fundamental: el ruido de disparo domina y la relación señal-ruido cae. En tal situación, el método estándar de sombras clásicas, que opera píxel a píxel, produce puntos aislados sin conexión entre sí. El nuevo trabajo propone un camino diferente: las sombras clásicas funcionales (FCS), que reconstruyen el perfil como una función única, utilizando todo el conjunto de datos.

La idea nació de la tomografía cuántica: allí, las sombras clásicas estiman propiedades de un estado cuántico a partir de un número reducido de mediciones, pero requieren copias idénticas del estado. En polarimetría, en cambio, cada medición produce un estado con un valor diferente del parámetro clásico, la longitud de onda. Los autores formalizan el problema como aprendizaje supervisado de la función ρ(x), que mapea la longitud de onda al estado de polarización. Para cada evento se aplica una transformación unitaria aleatoria y luego se mide en una base fija. Con estos datos se calcula una sombra clásica, un objeto matemático que no tiene por qué ser un estado físico, pero que permite estimar las pérdidas. En lugar de la optimización píxel a píxel, se introduce una parametrización de la hipótesis η(x) como un estado puro con ángulos θ(x) y φ(x), y se minimiza una función de pérdida global promediada sobre todo el conjunto de entrenamiento.

El experimento confirmó su viabilidad: en el rango de longitudes de onda de 808–812 nm se recuperaron los perfiles de fase y ángulo de polarización. El método estándar produce puntos dispersos, mientras que FCS reproduce una dependencia lineal suave, utilizando las correlaciones entre longitudes de onda vecinas. Teóricamente se demuestra que el estimador de pérdida es insesgado y que su varianza está acotada, lo que garantiza la eficiencia del método con un número de muestras T = O(maxₓ||η₀(x)||²_shadow,x / ε² · log(|F|/δ)). La ventaja clave es el uso de todo el conjunto de datos para reconstruir una sola función, lo que proporciona una mejor regularización en comparación con el ajuste directo de píxeles individuales.

Las perspectivas del método son amplias: puede extenderse a estados mixtos de hipótesis utilizando la distancia de traza y los proyectores óptimos de Helstrom, lo que permitiría aplicarlo a escenarios ruidosos más realistas. También es interesante adaptar FCS a la imagen de fase y a otros tipos de mediciones ópticas donde la función ρ(x) describe dependencias espaciales o temporales. Es prometedora la combinación con métodos de aprendizaje activo para la selección óptima de puntos de medición. En general, el trabajo traslada el paradigma de las sombras clásicas desde la computación cuántica a la metrología con variabilidad natural de parámetros, abriendo el camino a la aplicación de métodos inspirados en la cuántica en la polarimetría clásica y la imagen de fase, donde cada fotón cuenta.