Tani në 3D: Teknikat e AI ndihmojnë në vizualizimin e të dhënave të rrezeve X në tre dimensione

Kompjuterët kanë qenë në gjendje të përpunojnë shpejt imazhet 2D për ca kohë. Telefoni juaj celular mund të kapë fotografi dixhitale dhe t’i manipulojë ato në një numër mënyrash. Shumë më e vështirë, megjithatë, është përpunimi i një imazhi në tre dimensione dhe bërja e tij në kohën e duhur. Matematika është më komplekse dhe shtypja e këtyre numrave, edhe në një superkompjuter, kërkon kohë.

Kjo është sfida që një grup shkencëtarësh nga Laboratori Kombëtar i Departamentit Amerikan të Energjisë (DOE) Argonne po punon për të kapërcyer. Inteligjenca artificiale është shfaqur si një zgjidhje e gjithanshme për çështjet e paraqitura nga përpunimi i të dhënave të mëdha. Për shkencëtarët që përdorin Burimin e Avancuar të Fotonit (APS), një Zyrë e Shkencave e Përdoruesve të Zyrës së DOE në Argonne, për të përpunuar imazhe 3D, mund të jetë çelësi për t’i kthyer të dhënat e rrezeve X në forma të dukshme dhe të kuptueshme me një ritëm shumë më të shpejtë. Një zbulim i madh në këtë fushë mund të ketë implikime për astronominë, mikroskopinë elektronike dhe fusha të tjera të shkencës të varura nga sasi të mëdha të të dhënave 3D.

“Në mënyrë që të përdorim plotësisht atë që APS e azhurnuar do të jetë në gjendje, ne duhet të rizbulojmë analitikën e të dhënave. Metodat tona aktuale nuk janë të mjaftueshme për të vazhduar. Mësimi i makinerisë mund të përdorë plotësisht dhe të shkojë përtej asaj që është aktualisht e mundur,” thotë Mathew Cherukara nga Laboratori Kombëtar Argonne

Ekipi kërkimor, i cili përfshin shkencëtarë nga tre divizione Argonne, ka zhvilluar një kornizë të re llogaritëse të quajtur 3D-CDI-NN, dhe ka treguar se mund të krijojë vizualizime 3D nga të dhënat e mbledhura në APS qindra herë më shpejt sesa metodat tradicionale. Hulumtimi i ekipit u botua në Applied Physics Reviews, një botim i Institutit Amerikan të Fizikës.

CDI qëndron për imazhe koherente të difraksionit, një teknikë me rreze X që përfshin kërcimin e rrezeve ultra të ndritshme të rrezeve X nga mostrat. Ato rreze drite më pas do të mblidhen nga detektorët si të dhëna, dhe duhet ca përpjekje llogaritëse për t’i kthyer ato të dhëna në imazhe. Pjesë e sfidës, shpjegon Mathew Cherukara, udhëheqës i grupit të Shkencave Llogaritëse të X-ray në Divizionin e Shkencave të X-ray Argonne (XSD), është se detektorët kapin vetëm disa nga informacionet nga rrezet.

Por ka një informacion të rëndësishëm që përmbahet në të dhënat që mungojnë, dhe shkencëtarët mbështeten në kompjuterë për të plotësuar atë informacion. Siç vëren Cherukara, ndërsa kjo kërkon ca kohë për ta bërë në 2D, kërkon edhe më shumë kohë për të bërë me imazhe 3D. Zgjidhja, pra, është të trajnosh një inteligjencë artificiale për të njohur objektet dhe ndryshimet mikroskopike që ato pësojnë drejtpërdrejt nga të dhënat e papërpunuara, pa pasur nevojë të plotësosh informacionin që mungon.

Për ta bërë këtë, ekipi filloi me të dhënat e simuluara të rrezeve X për të trajnuar rrjetin nervor. NN në titullin e kornizës, një rrjet nervor është një seri algoritmash që mund të mësojnë një kompjuter të parashikojë rezultatet bazuar në të dhënat që merr. Henry Chan, autori kryesor në letër dhe një studiues postdoktoral në Qendrën për Materialet Nanosale (CNM), një Zyrë e Shkencave e Përdoruesve të Zyrës së DOE në Argonne, udhëhoqi këtë pjesë të punës.

“Ne përdorëm simulimet kompjuterike për të krijuar kristale të formave dhe madhësive të ndryshme, dhe i shndërruam ato në imazhe dhe modele të difraksionit për të mësuar rrjetin nervor,” tha Chan. “Lehtësia e gjenerimit të shpejtë të shumë kristaleve realiste për stërvitje është përfitimi i simulimeve.”

Kjo punë u bë duke përdorur burimet e njësisë së përpunimit grafik në Laboratorin e Përbashkët të Argonne për Vlerësimin e Sistemit, i cili vendos shtretër provë për të mundësuar kërkimin mbi platformat dhe aftësitë kompjuterike me performancë të lartë në zhvillim.

Sapo të trajnohet rrjeti, thotë Stephan Hruszkewycz, fizikan dhe drejtues i grupit në Divizionin e Shkencës së Materialeve të Argonne, ai mund të afrohet shumë pranë përgjigjes së duhur, shumë shpejt. Sidoqoftë, ka ende vend për përsosje, kështu që kuadri 3D-CDI-NN përfshin një proces për të marrë rrjetin pjesën tjetër të rrugës atje. Hruszkewycz, së bashku me studentin e diplomuar të Universitetit Northwestern Saugat Kandel, punuan në këtë aspekt të projektit, i cili zvogëlon nevojën për hapa përsëritës që kërkojnë kohë.

“Divizioni i Shkencave të Materialeve kujdeset për difraksionin koherent sepse ju mund të shihni materiale në shkallë të gjata pak nanometra-rreth 100,000 herë më të vogla se gjerësia e flokëve të njeriut-me rreze X që depërtojnë në mjedise,” tha Hruszkewycz. “Ky punim është një demonstrim i këtyre metodave të përparuara dhe lehtëson shumë procesin e imazhimit. Ne duam të dimë se çfarë është një material dhe si ndryshon me kalimin e kohës, dhe kjo do të na ndihmojë të bëjmë fotografi më të mira të tij ndërsa bëjmë matje. “

Si hap i fundit, aftësia e 3D-CDI-NN për të plotësuar informacionin që mungon dhe për të dalë me një vizualizim 3D u testua në të dhënat reale të rrezeve X të grimcave të vogla të arit, të mbledhura në brezin 34-ID-C në APS. Rezultati është një metodë llogaritëse që është qindra herë më e shpejtë në të dhënat e simuluara, dhe gati aq shpejt në të dhënat reale të APS. Testet gjithashtu treguan se rrjeti mund të rindërtojë imazhe me më pak të dhëna nga sa kërkohet zakonisht për të kompensuar informacionin që nuk kapet nga