Микроскопы и камеры станут четче: как ИИ исправляет дефекты оптики

Размытый свет от дефектов линз — проблема, с которой сталкиваются и астрономы, глядящие в телескоп, и владельцы смартфонов, пытающиеся снять чёткое фото. Инженеры Калифорнийского университета в Сан-Диего заявили, что нашли способ исправлять эти искажения по одному-единственному снимку. Их разработка — крошечный оптический элемент толщиной в полмиллиметра, работающий в паре с искусственным интеллектом.

Ключевой результат опубликован в Nature Communications 12 мая 2026 года. Исследователи из Jacobs School of Engineering и Института Qualcomm показали, как комбинация фундаментальной физики, нанофабрикации и машинного обучения позволяет выявлять скрытые искажения и мгновенно их корректировать. Ведущий автор, профессор Абдулай Ндао, подчёркивает, что их подход «быстрый, надёжный и легко встраивается в разные оптические системы». Образец размером 1×1 см весит практически ничего.

Почему старые методы коррекции слишком громоздкие

Традиционные способы борьбы с искажениями волнового фронта требуют нескольких замеров, дополнительных линз или повторяющихся вычислений. Чтобы понять, где именно свет «сломался», системе нужно либо сделать серию снимков, либо использовать специальные зонды. В результате компактные устройства — камеры смартфонов, портативные микроскопы — страдают от габаритов и медленной обработки. Команда Ндао решила разорвать этот порочный круг.

Их решение — гибрид: оптический элемент, спроектированный с помощью ИИ, и глубокий нейросетевой анализатор. Вместе они придают каждому типу искажения уникальную «подпись» на изображении светового узора. Один кадр — и нейросеть распознаёт, какой дефект линзы нужно компенсировать.

«Мы использовали сочетание фундаментальной физики, нанофабрикации и машинного обучения, чтобы сделать скрытые искажения легко обнаруживаемыми и корректируемыми», — объяснил Абдулай Ндао.

Как нанооптика и нейросеть учатся друг у друга

Первым авторам работы — аспирантам Сине Моайед Бахарлу и Мухаммеду Уалиду Халиду — удалось то, что до сих пор оставалось вызовом: они не просто промоделировали процесс, но и создали физическое устройство. Используя чистую лабораторию Nano3 Института Qualcomm, исследователи изготовили оптический элемент и несколько тестовых поверхностей. Затем проверили метод экспериментально — сначала на одной длине волны, потом на нескольких, затем в условиях шума и со сложными формами пучка.

Нейросеть, обученная на специально подобранных данных, научилась «читать» искажения по одному снимку и передавать команду на коррекцию. Никаких повторных замеров — всё решается за один кадр. Авторы называют это гибридным сквозным глубоким обучением (end-to-end hybrid deep-learning approach).

Эксперимент, а не симуляция

Большинство работ по коррекции искажений остаются на уровне компьютерных расчётов. Здесь же команда пошла дальше: в чистой комнате Nano3 были изготовлены реальные наноструктуры, проведены тесты с разными источниками света и условиями. Результаты подтвердили, что система работает не только в идеальных компьютерных моделях.

По словам учёных, метод масштабируем и практичен. Он может быть встроен в существующую оптику — от микроскопов до телескопов — без серьёзного увеличения размеров и веса. Технология уже оформляется как патентная заявка.

Где пригодится такой «умный» элемент

Наиболее очевидные области применения — биология, астрономия и прецизионное производство. В биологических микроскопах даже малые аберрации линз могут скрывать важные детали клеток. Астрономам мешает атмосферная турбулентность, а здесь система может подстраиваться в реальном времени. В производстве, где требуется контроль качества на микроуровне, исправление одного снимка — уже огромное преимущество.

Крошечный размер оптического элемента (полмиллиметра толщиной и сантиметр стороной) делает его идеальным для компактных устройств. По сути, любой прибор, где есть линза, можно доработать такой «заплаткой» и нейросетевым процессором. И всё это — без громоздких дополнительных механизмов.

Что остаётся за кадром

Пока метод демонстрирует высокую точность для лабораторных условий. Следующий логичный шаг — адаптация к реальным устройствам: камерам смартфонов, портативным эндоскопам, телескопам на спутниках. Несмотря на заявленную «устойчивость к шумам», в полевых условиях может возникнуть больше факторов, которые нейросеть раньше не видела. Но команда уверена, что их принцип «единого снимка» изменит подход к проектированию оптики.

А вы готовы доверить чёткость ваших фотографий алгоритму, который «доучился» на одной лабораторной базе? Или всё же предпочтёте традиционные многоступенчатые линзы, занимающие половину корпуса камеры?