Was wäre, wenn eine Kamera wichtige Bilddetails erkennen könnte, bevor ihr Prozessor überhaupt ein Bild empfängt? Optische Metaflächen bringen diese Möglichkeit der praktischen Anwendung immer näher. Diese außergewöhnlich dünnen Strukturen beeinflussen einfallendes Licht so, dass bestimmte Verarbeitungsschritte bereits auf optischem Wege erfolgen können, für die normalerweise elektronische Berechnungen erforderlich wären. Sie können Kanten hervorheben, visuelle Informationen filtern und Bilder für die künstliche Intelligenz aufbereiten, während sich das Licht noch durch das optische System der Kamera bewegt. Im Jahr 2026 veröffentlichte Forschungsergebnisse zeigen, dass Metaflächen auch anspruchsvollere Aufgaben der Computer Vision unterstützen können, darunter die Objekterkennung und das Verständnis komplexer Szenen. Langfristig könnte diese Technologie Kameras, autonomen Maschinen und medizinischen Bildgebungssystemen helfen, schneller zu reagieren und gleichzeitig weniger Energie zu verbrauchen. Ihre eigentliche Bedeutung liegt jedoch nicht darin, herkömmliche Prozessoren vollständig zu ersetzen, sondern die Aufgabenverteilung zwischen optischen und elektronischen Komponenten bei der Verarbeitung visueller Informationen grundlegend zu verändern.

Wie optische Metaflächen Bilder mithilfe von Licht verarbeiten

Herkömmliche Digitalkameras arbeiten grundsätzlich nach einem bekannten Prinzip. Licht gelangt durch ein Objektiv auf einen Bildsensor, der die einfallenden Lichtsignale in elektrische Signale umwandelt. Anschließend werden die Bilddaten elektronisch verarbeitet, um beispielsweise den Kontrast anzupassen, Objektgrenzen zu erkennen, Gegenstände zu identifizieren oder andere visuelle Aufgaben auszuführen. Dieses Verfahren ist äußerst leistungsfähig, doch die kontinuierliche Analyse hochauflösender Bilder kann erhebliche Rechenressourcen beanspruchen. Besonders deutlich wird diese Herausforderung bei Geräten, die dauerhaft in Betrieb sind, unmittelbar reagieren müssen und nur über begrenzte Akkukapazitäten verfügen. Optische Metaflächen eröffnen einen anderen Ansatz: Bestimmte Schritte der Bildverarbeitung können bereits stattfinden, bevor das einfallende Licht in digitale Informationen umgewandelt wird.

Eine Metafläche ist eine extrem dünne optische Struktur, die aus mikroskopisch kleinen, nach einem präzisen Muster angeordneten Elementen besteht. Häufig sind diese Elemente kleiner als die Wellenlänge des Lichts, das sie beeinflussen. Durch gezielte Veränderungen ihrer Abmessungen, Formen und Positionen können Forschende steuern, wie sich Licht beim Durchgang durch das Material oder bei der Reflexion verhält. Während ein gewöhnliches Objektiv Licht hauptsächlich bündelt, um ein Bild zu erzeugen, lässt sich eine rechnergestützt entwickelte Metafläche so gestalten, dass sie die räumlichen Informationen eines Bildes verändert. Sie kann beispielsweise Objektgrenzen verstärken, bestimmte Bilddetails unterdrücken oder ein optisches Muster erzeugen, das für die spätere Erkennung relevante Informationen enthält. Welche Verarbeitung stattfindet, hängt unmittelbar von der Anordnung der mikroskopischen Strukturen ab.

Die Grundlage dieses Verfahrens bildet die Wellennatur des Lichts. Wenn Licht eine speziell entwickelte Metafläche durchquert, können unterschiedliche Anteile der Lichtwelle so miteinander wechselwirken, dass bestimmte mathematische Operationen auf natürliche Weise nachgebildet werden. Anstatt einen Prozessor damit zu beschäftigen, einzelne Pixel auszuwerten und Objektkanten zu berechnen, kann ein optisches Bauelement diese Kanten bereits im Licht hervorheben, das den Bildsensor erreicht. Dieses Prinzip wird als analoges optisches Rechnen bezeichnet. Es bedeutet allerdings nicht, dass Licht ein Bild selbstständig versteht oder eigenständige Entscheidungen trifft. Vielmehr führt das physikalische Verhalten des Lichts eine vorher festgelegte Umwandlung aus. Das elektronische System erhält dadurch eine veränderte und möglicherweise besser geeignete Darstellung der ursprünglichen Szene.

Von herkömmlichen Kameraobjektiven zur optischen Bildverarbeitung

Der Unterschied zwischen einem traditionellen Objektiv und einer Metafläche zur optischen Bildverarbeitung lässt sich anhand eines einfachen Beispiels verdeutlichen. Man stelle sich eine Kamera vor, die einen dunklen Gegenstand vor einem hellen Hintergrund erfasst. Ein herkömmliches Objektiv erzeugt ein Bild, auf dem sowohl die Oberfläche des Gegenstands als auch seine Umgebung sichtbar sind. Eine speziell für die Kantenerkennung entwickelte Metafläche kann dagegen den Übergang zwischen diesen Bereichen hervorheben. Das entstehende optische Bild enthält eine deutlichere Darstellung der Objektkonturen, wodurch ein nachgeschaltetes Erkennungssystem die Form möglicherweise leichter bestimmen kann. Dafür muss die Metafläche weder Bilder speichern noch Softwarebefehle ausführen. Ihre physikalische Struktur legt fest, auf welche Weise das einfallende Licht verändert wird.

Forschende erreichen dieses Verhalten unter anderem durch räumliche Filterung. Jedes Bild enthält großflächige Helligkeitsunterschiede sowie feine Details wie Kanten und Oberflächenstrukturen. Durch gezielte optische Interferenzeffekte lassen sich diese Bestandteile verstärken oder abschwächen, bevor das Licht den Sensor erreicht. Manche Metaflächen führen Operationen aus, die der mathematischen Differentiation ähneln, wie sie auch in herkömmlicher Bildverarbeitungssoftware eingesetzt wird. Andere Konstruktionen sollen bestimmte räumliche Muster erkennen oder Licht abhängig von seiner Polarisation verändern. Solche Eigenschaften sind besonders interessant, weil viele klassische Verfahren der Bildverarbeitung mit vergleichbaren Schritten beginnen. Das gilt selbst dann, wenn die eigentliche Aufgabe wesentlich komplexer ist, etwa bei der Fahrzeugerkennung, der industriellen Fehlerkontrolle oder der Untersuchung biologischer Proben.

Eine optische Metafläche ist dabei nicht zwangsläufig als vollständiger Ersatz für ein Kameraobjektiv oder einen digitalen Prozessor gedacht. Sie kann als zusätzliches optisches Element, als speziell entwickelte flache Linse oder als Bestandteil eines kombinierten optisch-elektronischen Bildgebungssystems eingesetzt werden. Der Bildsensor muss das veränderte Licht weiterhin erfassen, und häufig übernimmt elektronische Hardware die anschließende Interpretation der Informationen. Außerdem müssen Forschende berücksichtigen, unter welchen Lichtverhältnissen eine Konstruktion zuverlässig arbeitet, welche Bildqualität sie ermöglicht und welchen Farb- beziehungsweise Betrachtungswinkelbereich sie unterstützt. Der größte praktische Nutzen dürfte deshalb darin bestehen, optische Vorverarbeitung mit konventioneller Rechentechnik zu verbinden, statt sämtliche Schritte der Computer Vision ausschließlich mit optischen Komponenten ausführen zu wollen.

Welche Fortschritte die Forschung bis 2026 erreicht hat

Wissenschaftliche Entwicklungen zwischen 2024 und 2026 haben gezeigt, dass optische Metaflächen wesentlich mehr leisten können als die einfache Fokussierung von Licht. Eine 2024 in Nature Communications veröffentlichte Studie demonstrierte eine rekonfigurierbare Metafläche zur optischen Kantenerkennung auf Basis von Vanadiumdioxid. Dieses Material verändert seine optischen Eigenschaften in Abhängigkeit von der Temperatur. Die Forschenden zeigten, dass vergleichsweise geringe Temperaturänderungen im Bereich von etwa 65 °C die optische Reaktion des Bauelements erheblich beeinflussen können. Das ist bedeutsam, weil viele frühe Metaflächen für eine einzige, festgelegte Funktion entwickelt wurden. Durch kontrollierbare Veränderungen lässt sich die optische Verarbeitung anpassen, ohne das Bauelement austauschen zu müssen. Eine temperaturgesteuerte Lösung eignet sich zwar nicht automatisch für jede tragbare Kamera, doch der Versuch zeigte einen wichtigen Ansatz für anpassungsfähige optische Hardware.

Weitere Fortschritte folgten 2025. Eine in Light: Science & Applications veröffentlichte Forschungsarbeit beschrieb einen optischen Bildprozessor auf Grundlage eines Phasenwechselmaterials, der zwischen Kantenerkennung und Hellfeldbildgebung umschalten konnte. Statt für beide Aufgaben unterschiedliche optische Anordnungen einzusetzen, demonstrierten die Forschenden mehrere Betriebsarten innerhalb einer Metaflächenkonstruktion. Andere Arbeiten beschäftigten sich mit praktischen Einschränkungen optischer Systeme, darunter die Abhängigkeit von der Polarisation des Lichts und begrenzte Betrachtungswinkel. Eine in Optics Letters veröffentlichte Studie zeigte eine polarisationsunabhängige Kantenerkennung bei einer Wellenlänge von ungefähr 1.064 Nanometern. Die angegebene Betriebsbandbreite betrug 48 Nanometer, während die numerische Apertur einen Wert von 0,5 erreichte. Diese Ergebnisse verdeutlichen die Entwicklung hin zu optischen Prozessoren, die unter weniger eingeschränkten Bedingungen arbeiten können. Der untersuchte Wellenlängenbereich liegt allerdings außerhalb des für Menschen sichtbaren Lichts und ist deshalb nicht unmittelbar mit gewöhnlicher Farbfotografie vergleichbar.

Ein besonders bedeutender Fortschritt wurde im Juni 2026 vorgestellt, als Forschende ihre Arbeit Optical Metasurfaces for General Vision Processing on the Edge in der Fachzeitschrift Nature veröffentlichten. Das Projekt kombinierte eine optische Metafläche mit ungefähr 41 Millionen physikalischen Entwurfsparametern und ein digitales neuronales Netzwerk mit rund 87.000 Parametern. Die Untersuchung ging damit deutlich über Demonstrationen hinaus, die sich ausschließlich auf einfache Bildfilter oder die Erkennung stark vereinfachter Muster konzentrierten. Die optisch-elektronische Architektur wurde anhand komplexer Aufgaben der Computer Vision untersucht, darunter Objekterkennung, Bildsegmentierung, dreidimensionale Rekonstruktion und Videoanalyse. Zusätzlich entwickelten die Forschenden einen funktionsfähigen Prototyp und demonstrierten die Verarbeitung natürlicher Szenen in Echtzeit. Die Ergebnisse zeigen, dass speziell entwickelte optische Hardware einen Beitrag zu umfassenderen Aufgaben der visuellen Informationsverarbeitung leisten kann, statt lediglich eine einzelne, isolierte Operation auszuführen.

Wie optische Rechenverfahren künstliche Intelligenz unterstützen

Moderne Systeme für Computer Vision verwenden häufig neuronale Netzwerke, die Bildmuster auf mehreren Ebenen analysieren. Während frühe Verarbeitungsschritte beispielsweise Kanten, Texturen und lokale Bildmerkmale erfassen, kombinieren nachfolgende Schritte diese Informationen, um Objekte zu erkennen und Zusammenhänge innerhalb einer Szene zu verstehen. Optische Metaflächen sind insbesondere für die ersten Verarbeitungsschritte interessant, weil sich bestimmte mathematische Transformationen durch die Ausbreitung von Licht in speziell entwickelten Strukturen darstellen lassen. Anstatt ein vollständiges KI-Modell mit optischen Bauelementen nachzubilden, können Forschende ausgewählte Operationen direkt in das optische System einer Kamera verlagern. Ein kleineres elektronisches Modell interpretiert anschließend die veränderten Informationen und übernimmt Aufgaben, für die zusätzliche Berechnungen erforderlich sind.

Die 2026 in Nature veröffentlichte Untersuchung verdeutlicht diese Aufgabenverteilung. Die optische Komponente wurde anhand von Prinzipien entwickelt, die auch in der Computer Vision verwendet werden. Dazu gehören das Erkennen von Ähnlichkeiten, die gezielte Berücksichtigung relevanter Informationen sowie die Verknüpfung feiner Bilddetails mit einem umfassenderen visuellen Zusammenhang. Die zugehörige digitale Komponente übernahm die Interpretation der optisch erzeugten Merkmale. Durch diese Kombination konnte das Forschungsteam Aufgaben bearbeiten, bei denen frühere optische neuronale Netzwerke mit vergleichbarer Komplexität an Grenzen gestoßen waren. Dabei ist eine wichtige Unterscheidung zu beachten: Die 41 Millionen optischen Parameter beschreiben physikalische Eigenschaften der Metafläche. Sie stehen nicht für 41 Millionen elektronische Rechenoperationen, die bei jedem einzelnen Bild ausgeführt werden. Deshalb lässt sich aus der Anzahl der Parameter allein weder die Energieeinsparung des Gesamtsystems noch seine Leistungsfähigkeit gegenüber einem herkömmlichen Prozessor ableiten.

Weitere Forschungsarbeiten aus dem Jahr 2026 untersuchten Möglichkeiten, den digitalen Rechenaufwand noch gezielter zu reduzieren. Eine Studie zu einem hybriden System aus einer Metallinse und einem Bildsensor mit Compressive Sensing schlug vor, die optische Kantenerkennung mit der selektiven Erfassung von Bildinformationen zu kombinieren. Ein anderer experimenteller Ansatz nutzte einen metaoptischen Encoder, um einen Teil der Bildsegmentierung bereits optisch auszuführen. In dieser Untersuchung berichteten die Forschenden im Vergleich zu ihrem größeren Referenzmodell von ungefähr 800-mal weniger Rechenoperationen und 12.000-mal weniger Modellparametern, allerdings bei gewissen Einbußen bei der Genauigkeit. Solche Ergebnisse veranschaulichen, welches Einsparpotenzial entsteht, wenn geeignete Verarbeitungsschritte auf optische Hardware übertragen werden. Sie bedeuten jedoch nicht, dass sich Geschwindigkeit und Energieeffizienz bei jeder Anwendung automatisch im gleichen Umfang verbessern. Der tatsächliche Vorteil hängt von der jeweiligen Aufgabe, dem Aufbau des Kamerasystems und der gewählten Vergleichsgrundlage ab.

Praktische Anwendungen und die Herausforderungen der Zukunft

Ein vielversprechendes Anwendungsgebiet ist die industrielle Bildverarbeitung. Dort werden Kameras eingesetzt, um Produkte zu prüfen, Produktionslinien zu überwachen und Fertigungsfehler zu erkennen. Solche Systeme müssen häufig kleinste Veränderungen an Formen oder Oberflächen feststellen und gleichzeitig kontinuierlich Bilddaten verarbeiten. Eine Metafläche, die relevante Kanten besonders deutlich hervorhebt, könnte bestimmte Prüfaufgaben für die nachgeschaltete Elektronik vereinfachen. Beispielsweise könnte die optische Vorverarbeitung dabei helfen, die Konturen eines Bauteils sichtbar zu machen oder charakteristische Muster zuverlässiger voneinander zu unterscheiden. Allerdings muss der optische Filter genau auf die jeweilige Prüfaufgabe abgestimmt sein. Ein Bauelement, das Objektkanten verstärkt, kann gleichzeitig Farb- oder Texturinformationen unterdrücken, die für die Erkennung anderer Defekte benötigt werden.

Autonome Fahrzeuge, Drohnen und mobile Roboter bilden ein weiteres mögliches Einsatzgebiet. Ihre visuellen Systeme müssen wechselnde Umgebungen interpretieren und dabei Einschränkungen hinsichtlich Energieverbrauch, Gewicht und Wärmeentwicklung berücksichtigen. Eine optische Vorverarbeitung könnte helfen, wichtige Bildstrukturen zu erkennen oder Sensordaten für die anschließende Auswertung vorzubereiten. Besonders für kleine Fluggeräte und akkubetriebene Maschinen könnten kompakte optische Komponenten interessant sein. Eine zuverlässige Navigation erfordert allerdings wesentlich mehr als die Erkennung von Konturen. Bewegliche Objekte, schwierige Lichtverhältnisse, Regen, Reflexionen und teilweise verdeckte Hindernisse stellen Herausforderungen dar, die sich durch optische Filter allein nicht bewältigen lassen. Jede Kamera mit Metaflächenunterstützung, die in sicherheitskritischen Anwendungen eingesetzt werden soll, müsste deshalb gemeinsam mit herkömmlichen Bildsensoren und elektronischen Wahrnehmungssystemen umfangreich getestet werden.

Auch die medizinische und wissenschaftliche Bildgebung könnte von spezialisierten optischen Verfahren profitieren. Bei mikroskopischen Untersuchungen müssen häufig feine Unterschiede zwischen Strukturen sichtbar gemacht werden, die anhand gewöhnlicher Helligkeitsinformationen nur schwer erkennbar sind. Metaflächen können so entwickelt werden, dass sie Kontraste verändern, Grenzen hervorheben oder optische Eigenschaften analysieren, die klassische Bilder nicht unmittelbar erfassen. Forschungsarbeiten haben außerdem gezeigt, dass metasurfacebasierte Systeme komplexe Polarisationsinformationen mit einer einzigen Belichtung aufnehmen können. Dadurch könnte der Bedarf an großen und aufwendigen optischen Komponenten sinken. Solche Verfahren könnten die biologische Forschung, die Materialanalyse und spezialisierte Diagnosegeräte unterstützen. Allerdings dürfen experimentelle Demonstrationen nicht mit klinisch zugelassenen Diagnosemethoden gleichgesetzt werden. Für medizinische Anwendungen müssen Genauigkeit, Wiederholbarkeit und Zuverlässigkeit unter realistischen Bedingungen nachgewiesen werden, bevor entsprechende Verfahren in der regulären Patientenversorgung eingesetzt werden können.

Warum optische Metaflächen noch keine Standardkomponenten moderner Kameras sind

Trotz vielversprechender Forschungsergebnisse bestehen mehrere Einschränkungen, die verhindern, dass Metaflächen zur optischen Bildverarbeitung bereits als universeller Ersatz für herkömmliche Verfahren eingesetzt werden können. Eine der wichtigsten Herausforderungen betrifft die Flexibilität. Eine typische passive Metafläche besitzt eine unveränderliche physikalische Struktur. Soll sie eine andere Aufgabe erfüllen, kann deshalb ein anderes Bauelement erforderlich sein. Rekonfigurierbare Materialien bieten mögliche Lösungen, stellen aber zusätzliche Anforderungen an Temperatursteuerung, elektrische Regelung oder optische Schaltverfahren. Hinzu kommt die Leistungsfähigkeit unter wechselnden Beleuchtungsbedingungen. Manche Experimente funktionieren besonders gut mit ausgewählten Wellenlängen, einer kontrollierten Polarisation oder speziell angepassten optischen Anordnungen. Alltagskameras müssen dagegen natürliches Licht mit zahlreichen Wellenlängen verarbeiten und bei unterschiedlichen Entfernungen, Blickwinkeln und Helligkeitsverhältnissen zuverlässig arbeiten.

Weitere Schwierigkeiten ergeben sich bei der Herstellung und Integration. Metaflächen bestehen aus extrem kleinen Strukturen, deren Abmessungen während der Fertigung präzise kontrolliert werden müssen. Bereits geringe Abweichungen können beeinflussen, wie das fertige Bauelement Licht verändert. Das gilt insbesondere dann, wenn die Konstruktion auf genau abgestimmten Interferenzeffekten beruht. Darüber hinaus müssen Forschende die Lichtdurchlässigkeit, Bildhelligkeit, Kompatibilität mit vorhandenen Sensoren und die exakte Ausrichtung optischer Komponenten berücksichtigen. Ein optischer Prozessor, der zwar nützliche Bildmerkmale erzeugt, aber zu wenig Licht zum Sensor durchlässt, kann bei schwacher Beleuchtung unzureichende Ergebnisse liefern. Zudem gehen bei manchen optischen Verarbeitungsschritten bewusst Informationen verloren. Wenn ein Bauelement Kanten hervorhebt und gleichzeitig andere Bilddetails unterdrückt, kann die nachfolgende Software diese Informationen nicht immer vollständig wiederherstellen. Die Auswahl der passenden optischen Transformation ist deshalb entscheidend.

Ende 2026 sind optische Metaflächen weiterhin ein aktives Forschungsgebiet und noch keine allgemein etablierte Lösung für universelle Aufgaben der Computer Vision. Die überzeugendsten Entwicklungen konzentrieren sich zunehmend auf hybride Systeme, in denen optische Komponenten geeignete Bildtransformationen übernehmen, während elektronische Prozessoren für die flexibleren Schritte der Erkennung und Entscheidungsfindung zuständig bleiben. Weitere Fortschritte werden davon abhängen, ob sich messbare Verbesserungen in vollständigen Geräten nachweisen lassen und nicht nur bei einzelnen optischen Operationen. Forschende müssen dabei Genauigkeit, Energieverbrauch, Herstellungskosten und Zuverlässigkeit unter realistischen Bedingungen miteinander vergleichen. Eine grundlegende Erkenntnis zeichnet sich jedoch bereits ab: Die Verarbeitung von Bildern muss nicht erst beginnen, nachdem Licht in digitale Daten umgewandelt wurde. Durch die gezielte Gestaltung des Lichtwegs eröffnen optische Metaflächen neue Möglichkeiten, Rechenaufgaben innerhalb intelligenter Kameras zwischen optischer und elektronischer Hardware aufzuteilen.