Raggi Fantasma Sotto Controllo: Come il Cloud Potenzia il Design delle Lenti Fotografiche

Avete presente quelle fastidiose immagini fantasma o quei riflessi strani che a volte compaiono nelle fotografie, specialmente quando si scatta verso una fonte di luce intensa? Ecco, quelli sono spesso causati dai cosiddetti “ghost rays” o raggi fantasma: percorsi di luce indesiderati che rimbalzano più volte all’interno delle lenti della fotocamera prima di raggiungere il sensore. Eliminarli o almeno ridurli al minimo è una delle sfide più grandi per chi progetta obiettivi di alta qualità.

Tradizionalmente, analizzare questi percorsi anomali è un vero rompicapo computazionale. Immaginate un obiettivo complesso, magari con 15-20 superfici ottiche (lenti, filtri, ecc.). La luce può rimbalzare tra queste superfici in una miriade di modi. Già solo considerando due riflessioni, il numero di possibili percorsi “fantasma” cresce esponenzialmente con il numero di superfici. Se poi consideriamo tre, quattro o più riflessi… beh, la cosa diventa quasi ingestibile con i metodi classici.

I Metodi Tradizionali: Utili, Ma con dei Limiti

Finora, avevamo a disposizione principalmente due tipi di approcci software per scovare questi fantasmi ottici:

• Ray Tracing Sequenziale: Strumenti come CODE V o Zemax sono ottimi per l’analisi “normale” delle lenti, dove la luce segue un percorso predefinito superficie dopo superficie. Ma quando un raggio torna indietro, riflettendosi su una superficie già attraversata, questi software vanno in crisi. Bisogna “ingannarli” creando copie artificiali delle superfici nel modello, rendendo l’analisi macchinosa e lenta, specialmente con tanti riflessi.
• Ray Tracing Non Sequenziale: Software come LightTools sono più flessibili, perché non impongono un ordine fisso alle superfici. Possono gestire riflessi multipli e percorsi complessi senza modifiche al modello. Il rovescio della medaglia? Richiedono una quantità enorme di raggi da tracciare per coprire tutte le possibilità e, di conseguenza, tantissima memoria e tempo di calcolo. Spesso, ci si scontra con i limiti pratici delle risorse disponibili.

La sfida era chiara: come potevamo analizzare tutti i possibili percorsi fantasma, anche quelli più complessi con molti riflessi, senza aspettare giorni o settimane per i risultati e senza bisogno di supercomputer costosissimi?

La Nostra Idea: Predefinire i Percorsi e Sfruttare la Potenza del Cloud

Ecco dove entra in gioco la nostra ricerca. Abbiamo pensato: e se invece di lasciare che il software scopra dinamicamente dove va ogni raggio, fossimo noi a dirglielo prima? Abbiamo sviluppato una metodologia che associa a ogni singolo raggio una “lista della spesa” predefinita: la sequenza esatta di superfici che dovrà incontrare e se dovrà riflettere o rifrangere (passare attraverso) ad ogni passaggio.

Ad esempio, una sequenza come {1, 2, 3, 4} indica un raggio che attraversa le superfici in ordine. Una sequenza come {1, 2, 3, 4, 3, 2, 3, 4, 5} ci dice che il raggio passa da 1 a 4, poi torna indietro riflettendosi sulla superficie 4, poi sulla 2, per poi riprendere il suo cammino in avanti. Questo semplice trucco ci permette di definire a priori anche i percorsi fantasma più intricati.

Il bello è che ogni raggio, con la sua sequenza predefinita, diventa un compito di calcolo indipendente. E cosa succede quando hai migliaia, milioni, miliardi di compiti indipendenti? Puoi distribuirli! Abbiamo sfruttato la potenza del cloud computing, in particolare Amazon Web Services (AWS), per parallelizzare massicciamente questi calcoli. In pratica, abbiamo “affittato” centinaia di processori (CPU) nel cloud e abbiamo dato a ciascuno un pacchetto di raggi da tracciare.

Questo approccio, che avevamo già testato con successo per altri tipi di calcoli ottici, si è rivelato vincente anche per l’analisi dei ghost ray. Ci ha permesso di superare i limiti tradizionali e di analizzare sistemi complessi considerando fino a sei riflessioni – un livello di dettaglio prima impensabile per motivi computazionali.

Mettere alla Prova le Architetture Cloud: CPU vs GPU

Una volta messa a punto la metodologia, dovevamo capire quali “muscoli” del cloud fossero i migliori per questo lavoro. Abbiamo fatto dei test comparativi (benchmark) su diverse istanze AWS EC2:

• Istanze con CPU Intel Xeon (architettura x86_64)
• Istanze con CPU AWS Graviton2 (basate su architettura ARM, più recenti ed efficienti energeticamente)
• Istanze con CPU AWS Graviton3 (la generazione successiva di ARM, ancora più performante)
• Istanze con GPU NVIDIA Tesla V100 (acceleratori grafici potenti)

Abbiamo iniziato con un test semplice: tracciare 100 milioni di raggi “normali” attraverso un obiettivo da 24 superfici, aumentando progressivamente il numero di core CPU (da 48 a 768) o di unità GPU (da 1 a 12) usate in parallelo.

I risultati sono stati illuminanti. Le CPU, sia Intel che Graviton, hanno mostrato una scalabilità quasi perfetta. Raddoppiando i core, il tempo di calcolo si dimezzava, mantenendo il costo totale quasi costante. Questo significa che il nostro sistema di parallelizzazione funzionava alla grande! Anche con 768 core, l’efficienza rimaneva altissima.

Le GPU, pur essendo velocissime singolarmente (una GPU faceva il lavoro di circa 50 core CPU!), mostravano una scalabilità peggiore. Aumentando il numero di GPU, l’efficienza diminuiva. Perché? Il ray tracing ottico ha molte decisioni condizionali (“il raggio colpisce questa superficie o no?”) e calcoli iterativi (per superfici asferiche), che non si adattano perfettamente all’architettura massicciamente parallela ma più “rigida” delle GPU. Le CPU, più flessibili nel gestire percorsi di calcolo diversi indipendentemente, si sono rivelate più adatte a scalare su grandi numeri per questo specifico compito.

Il Campione della Convenienza: AWS Graviton

Analizzando i costi, è emersa un’altra sorpresa: le CPU basate su ARM, in particolare le AWS Graviton3, non solo erano performanti quasi quanto le Intel Xeon (anzi, leggermente più veloci nel nostro test a 768 core!), ma erano significativamente più economiche. A parità di lavoro, usare Graviton3 costava circa il 40% di quanto costava usare Xeon. Anche Graviton2 era molto conveniente.

Quindi, per il nostro obiettivo – analizzare miliardi di raggi fantasma in modo efficiente e sostenibile – le CPU multicore, e in particolare le Graviton di AWS, si sono rivelate la scelta migliore.

Analisi Approfondita di un Obiettivo Reale

Forti di questi risultati, abbiamo applicato il nostro metodo a un caso reale: un obiettivo per fotocamera digitale composto da 9 elementi ottici (17 superfici in totale), includendo anche il filtro planare tipico delle fotocamere digitali.

Abbiamo definito i parametri per l’analisi, stabilendo di considerare:

• Fino a 6 riflessioni per ogni percorso fantasma.
• Al massimo 2 riflessioni che avvengono sul lato “aria” (tra le lenti), perché queste tendono a perdere molta intensità rapidamente.

Anche con queste (ragionevoli) limitazioni, il numero di possibili percorsi da analizzare era enorme: ben 801.499 sequenze di superfici uniche! Per ognuna di queste, abbiamo lanciato un numero adeguato di raggi per campionare bene l’apertura dell’obiettivo. In totale, abbiamo tracciato la bellezza di 4.449.120.949 (quasi 4,5 miliardi!) di raggi.

E il tempo di calcolo? Usando 768 core CPU su AWS, abbiamo completato l’intera analisi in tempi incredibilmente brevi:

• 22.48 secondi con AWS Graviton3 (la più veloce)
• 24.88 secondi con Intel Xeon Cascade Lake
• 30.77 secondi con AWS Graviton2

Tempi che rendono fattibile integrare questo tipo di analisi approfondita direttamente nel ciclo di progettazione, permettendo agli ingegneri ottici di identificare e correggere i problemi di ghosting molto più rapidamente.

Il nostro sistema non si limita a trovare i percorsi, ma calcola anche l’intensità di ogni raggio fantasma, tenendo conto della polarizzazione della luce e delle proprietà dei rivestimenti antiriflesso multistrato sulle lenti. Questo ci permette di stilare una classifica dei percorsi fantasma più “pericolosi” in base alla loro intensità.

Abbiamo identificato alcuni esempi notevoli di percorsi estremamente complessi, come un raggio che subisce ben cinque riflessioni totali interne rimbalzando all’interno di un singolo elemento dell’obiettivo, o un altro con quattro riflessioni totali interne su cinque riflessioni totali in un altro elemento. Cose difficilissime da prevedere senza un’analisi così sistematica.

Cosa Significa Tutto Questo per il Futuro?

Questa ricerca apre nuove porte nel design ottico. Dimostra che è possibile affrontare analisi computazionalmente proibitive sfruttando in modo intelligente le architetture di calcolo parallelo disponibili nel cloud.

I principali vantaggi del nostro approccio sono:

• Completezza: Possiamo analizzare ordini di riflessione molto più alti di prima.
• Velocità: I tempi di calcolo si riducono drasticamente, da giorni/ore a secondi/minuti.
• Scalabilità: Possiamo adattare la potenza di calcolo (e i costi) alle esigenze specifiche dell’analisi.
• Efficienza: Abbiamo dimostrato che le moderne CPU ARM nel cloud offrono un eccellente rapporto prestazioni/costo per questo tipo di lavoro.

Questo significa che i progettisti di lenti per fotocamere, telescopi, microscopi, strumenti medicali e qualsiasi altro sistema ottico complesso, avranno a disposizione uno strumento molto più potente per scovare ed eliminare i riflessi indesiderati, portando a immagini più pulite e di qualità superiore.

Certo, identificare i singoli raggi fantasma più intensi è solo il primo passo. Il prossimo sarà analizzare come questi raggi si distribuiscono sul sensore per formare le immagini fantasma vere e proprie (un’analisi di illuminanza), argomento che tratteremo in un lavoro futuro. Ma la base è stata gettata: abbiamo domato i raggi fantasma grazie alla potenza del calcolo parallelo nel cloud!

Fonte: Springer