Daha hızlı X-ışını görüntüleme için sinir ağlarını kullanma

Daha hızlı X-ışını görüntüleme için sinir ağlarını kullanma
Yazıyı beğendiyseniz lütfen Paylaşın


PtychoNN, X-ışını verilerinden hem genliği hem de fazı yeniden yapılandırmak için AI tekniklerini kullanır ve bilim insanlarının kullanabileceği görüntüler sağlar. Kredi: Mathew Cherukara / Argonne Ulusal Laboratuvarı

Argonne’dan bir bilim insanı ekibi, tıp, malzeme ve enerji alanındaki yeniliklere yardımcı olabilecek X-ışını görüntülerini daha hızlı çözmek için yapay zeka kullanıyor.

Uzak gelecekten gelen bir gönderiye benziyor: Sadece X-ışını verilerinin yığınlarından görüntüleri mevcut yöntemlerin yüzlerce katı hızında yeniden oluşturmakla kalmayan, aynı zamanda deneyimlerden öğrenebilen ve daha iyi ve daha verimli hesaplama yolları tasarlayabilen bir bilgisayar sistemi o rekonstrüksiyonlar. Ancak ufukta yeni nesil X-ışını ışık kaynakları varken – ve onlarla birlikte, üretecekleri veri miktarında muazzam bir artış – bilim adamlarının bu geleceği ve hızla takip etmek için bir nedenleri var.

Yakın zamanda yayınlanan bir makalede Uygulamalı Fizik MektuplarıDOE’nin Argonne Ulusal Laboratuvarı’ndaki (Gelişmiş Foton Kaynağı (APS) ve Nano Ölçekli Malzemeler Merkezi (CNM)) iki ABD Enerji Bakanlığı (DOE) Bilim Ofisi Kullanıcı Tesislerinden bilgisayar bilimcilerinden oluşan bir ekip, yapay zeka kullanımını gösterdi. (AI), tutarlı X-ışını saçılım verilerinden görüntüleri yeniden yapılandırma sürecini hızlandırmak için.

Geleneksel X-ışını görüntüleme teknikleri (tıbbi X-ışını görüntüleri gibi) sağlayabilecekleri ayrıntı miktarı bakımından sınırlıdır. Bu, birkaç nanometre veya daha düşük çözünürlükte malzemelerin derinliklerinden görüntüler sağlayabilen tutarlı X-ışını görüntüleme yöntemlerinin geliştirilmesine yol açmıştır. Bu teknikler, ışın demetini numunelerden ve doğrudan dedektörlere dağıtarak veya saçarak lenslere ihtiyaç duymadan X-ışını görüntüleri oluşturur.

Bu dedektörler tarafından yakalanan veriler, yüksek kaliteli görüntüleri yeniden oluşturmak için gereken tüm bilgilere sahiptir ve hesaplamalı bilim adamları bunu gelişmiş algoritmalarla yapabilirler. Bu görüntüler, bilim insanlarının daha iyi piller tasarlamalarına, daha dayanıklı malzemeler üretmelerine ve hastalıklar için daha iyi ilaçlar ve tedaviler geliştirmelerine yardımcı olabilir.

Tutarlı dağınık X-ışını verilerinden görüntüleri bir araya getirmek için bilgisayarları kullanma sürecine ptychography denir ve ekip, bu verileri tutarlı bir forma nasıl çekeceğini öğrenen bir sinir ağı kullandı. Dolayısıyla inovasyonlarının adı: PtychoNN.

Makalenin ilk yazarı ve hem APS hem de CNM’de çalışan hesaplamalı bilim adamı Mathew Cherukara, “Bunun doğuşu birkaç yıl öncesine dayanıyor,” dedi.

APS’nin önümüzdeki yıllarda X-ışını ışınlarının parlaklığını 500 kata kadar artıracak büyük bir yükseltmeden geçmesi planlanıyor. Verilerde de benzer bir artış bekleniyor ve görüntüleri yeniden yapılandırmanın mevcut hesaplama yöntemleri şimdiden buna ayak uydurmakta zorlanıyor.

Cherukara, “Yükseltmeden sonra, geleneksel görüntüleme analizi yöntemlerinin işe yaraması için veri oranlarının çok büyük olacağından endişeliydik” dedi. “Yapay zeka yöntemleri, geleneksel yönteme göre yüzlerce kat daha hızlı ayak uydurabilir ve görüntüler üretebilir.”

PtychoNN, X-ışını saçılma deneyleri üzerinde çalışan bilgisayar bilimcilerinin karşılaştığı en büyük sorunlardan birini de çözüyor: faz sorunu.

Meydan okuma kabul edilmiştir

Yüzücülerle dolu olimpik bir yüzme havuzu hayal edin. Şimdi yukarı, havuzun hemen yukarısında, binanın tavanındaki sudan gelen ışığın yansımasına baktığınızı hayal edin. Birisi sizden, sadece tavandaki, yüzücülerin havuzda nerede olduğunu anlamanızı istese, bunu yapabilir misiniz?

Martin Holt’a göre bu, tutarlı X-ışını saçılma verilerinden bir görüntüyü yeniden oluşturmak gibidir. Holt, CNM’de geçici bir grup lideri ve PtychoNN makalesinin yazarlarından biridir. Görevi, dağınık foton verilerinden resimler oluşturmak için sofistike bilgisayar sistemleri kullanmak – ya da esasen suyun tavandaki yansımasına bakmak ve yüzücülerin bir görüntüsünü oluşturmaktır.

Bir X-ışını ışını bir örneğe çarptığında, ışık kırılır ve dağılır ve örneğin etrafındaki detektörler bu ışığı toplar. Daha sonra bu verileri bilim adamlarının kullanabileceği bilgiye dönüştürmek Holt’a kalmış ve onun gibi bilim adamları. Bununla birlikte, zorluk, X-ışını demetindeki fotonlar iki parça bilgi taşırken – ışının genliği veya parlaklığı ve faz veya ışının numuneden geçerken ne kadar değiştiği – dedektörler yalnızca birini yakalar.

Holt, “Dedektörler yalnızca genliği algılayabildiği ve fazı algılayamadığı için tüm bu bilgiler kaybolur,” dedi “Öyleyse onu yeniden yapılandırmamız gerekiyor.”

İyi haber şu ki, bilim adamları bunu yapabilir. Kötü haber şu ki, süreç bu bilim adamlarının istediğinden daha yavaş. Zorluğun bir kısmı veri toplama ucunda. Tutarlı kırınım görüntüleme deneylerinden elde edilen faz verilerini yeniden yapılandırmak için, mevcut algoritmalar bilim adamlarının örneklerinden çok daha fazla genlik verisi toplamasını gerektiriyor, bu da daha uzun sürüyor. Ancak bu verilerden gerçek yeniden yapılandırma da biraz zaman alıyor.

İşte burada PtychoNN devreye giriyor. Yapay zeka tekniklerini kullanan araştırmacılar, bilgisayarlara X-ışını verilerinden görüntüleri tahmin etmenin ve yeniden yapılandırmanın öğretilebileceğini ve bunu geleneksel yöntemden 300 kat daha hızlı yapabildiğini gösterdi. Bundan daha fazlası, PtychoNN süreci her iki uçta da hızlandırabilir.

Argonne X-ray Science Division (XSD) ‘den bir doktora sonrası ve makalenin yazarlarından biri olan Tao Zhou, “Önerdiğimiz şey, geleneksel algoritmaların ihtiyaç duyduğu örtüşen bilgileri gerektirmiyor,” dedi. “AI, görüntüyü noktadan noktaya tahmin etmek için eğitilebilir.”

Daha yüksek öğrenim

Ekip, sinir ağını eğitmek için simüle edilmiş görüntüler kullanmak yerine, CNM tarafından işletilen APS’de 26-ID beamline’da alınan gerçek X-ışını verilerini kullandı. Bu ışın hattı nanobilim için kullanıldığından, optikleri X-ışınını çok küçük bir boyuta odaklıyor. Ekip, bu deney için bir nesneyi görüntüledi – bu örnekte, rastgele özelliklerle kazınmış bir tungsten parçası – ve tam bir görüntüyü yeniden oluşturmak için normalde gerekenden daha az bilgi içeren bu sistemi sundu.

Cherukara, “İki temel çıkarım var” dedi. “Veri toplama bugünün yöntemiyle aynıysa, PtychoNN 300 kat daha hızlıdır. Ancak görüntü üretmek için alınması gereken veri miktarını da azaltabilir.”

Cherukara, daha az bilgiyle gerçekleştirilen bir yeniden yapılandırmanın doğal olarak daha düşük kaliteli bir görüntüye yol açtığını, ancak yine de geleneksel algoritmik yöntemlerin bir tane üretemeyeceği bir görüntü elde edeceğinizi belirtti. Bilim adamlarının bazen tam bir veri kümesinin yakalanmasına izin vermeyen zaman kısıtlamalarıyla veya tam veri kümesinin mümkün olmadığı hasarlı örneklerle karşılaştığını ve PtychoNN’nin bu koşullarda bile kullanılabilir görüntüler oluşturabileceğini söyledi.

Ekip, tüm bu verimliliğin, APS Yükseltmesinden sonra ileriye dönük yeni bir yol olarak PtychoNN için iyiye işaret ettiğini söyledi. Bu yaklaşım, veri analizi ve görüntü kurtarmanın verilerdeki artışa ayak uydurmasını sağlayacaktır. Bir sonraki adım, kavram kanıtının ötesine geçmek, tam 3 boyutlu ve zamanla çözümlenmiş görüntüler oluşturmak ve PtychoNN’yi APS iş akışına dahil etmektir.

XSD ile uyumlu kırınım görüntüleme enstrümantasyonunun fizikçi ve baş geliştiricisi Ross Harder ve makalenin yazarlarından biri olan Ross Harder, “Sırada daha fazla veri seti üzerinde çalıştığını göstermek ve bunu günlük kullanım için uygulamak” dedi.

Cherukara, bunu yapmanın, APS’deki her kırınım deneyinden sürekli olarak öğrenen kendi kendini geliştiren bir sistemle sonuçlanabileceğini söyledi. Arka planda sessizce çalışan ve gözlemlediği her veri kümesiyle daha verimli hale gelen bir program hayal ediyor.

Holt için, PtychoNN gibi bir yenilik, Argonne’un sorunları çözmek için kaynakları birleştirme yönteminin doğal bir sonucu.

“Argonne’da harika bilgi işlem kaynaklarına ve dünyanın en iyi ışık kaynaklarından birine ve nanoteknolojiye odaklanan bir merkeze sahibiz” dedi. “Argonne’un gerçek gücü, bunların hepsinin aynı laboratuvarda olması.”


Araştırmacılar, kataliz için altın nanopartikülleri kullanarak otomobil emisyon dinamiğini simüle ediyor


Kaynak

admin

admin

Talebemektebi bir sevdanın hikayesi

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Translate »