阿貢科學家團隊利用人工智能訓練計算機，以跟上高級光子源采集的大量 X 射線數(shù)據(jù)。計算機已經(jīng)能夠快速處理 2個d 圖像一段時間。您的手機可以拍攝數(shù)碼照片并以多種方式處理它們。然而，在三個維度上處理圖像并及時處理要困難得多。數(shù)學更復雜，即使在超級計算機上處??理這些數(shù)字也需要時間。

這是美國能源部 ( DOE ) 阿貢國家實驗室的一組科學家正在努力克服的挑戰(zhàn)。人工智能已成為解決大數(shù)據(jù)處理問題的通用解決方案。對于誰使用先進光子源(科學家APS)，一個 美國能源部 科學辦公室的用戶設施阿貢，處理 3倍d 的圖像，也可能是關鍵，以更快的速度打開X射線數(shù)據(jù)轉換成可見光，可以理解的形狀。在這方面有所突破可能對天文學，電子顯微鏡和科學依賴于大量的其他領域的影響 3個d 數(shù)據(jù)。

“為了充分利用升級后的 APS 的 功能，我們必須重新發(fā)明數(shù)據(jù)分析。我們目前的方法不足以跟上。機器學習可以充分利用并超越目前的可能性。” — Mathew Cherukara，阿貢國家實驗室

該研究小組，其中包括來自三個阿貢部門科學家已經(jīng)開發(fā)出一種新的計算框架稱為 3 d-CDI-NN，并已表明，它可以創(chuàng)建 3個d 從收集到的數(shù)據(jù)可視化 APS 幾百倍的速度比傳統(tǒng)方法可. 該團隊的研究 發(fā)表在美國物理研究所的出版物《應用物理評論》上。

CDI 代表相干衍射成像，這是一種 X 射線技術，涉及從樣品反射超亮 X 射線束。然后這些光束將被探測器收集為數(shù)據(jù)，并且需要一些計算工作才能將這些數(shù)據(jù)轉換為圖像。阿貢 X 射線科學部 ( XSD )計算 X 射線科學小組的負責人 Mathew Cherukara 解釋說，部分挑戰(zhàn)在于探測器只能從光束中捕獲一些信息。

但是缺失的數(shù)據(jù)中包含重要信息，科學家們依靠計算機來填充這些信息。作為Cherukara筆記，而這需要一些時間做 2 d，它需要更長的時間與做 3個d 圖像。因此，解決方案是訓練人工智能直接從原始數(shù)據(jù)中識別物體及其發(fā)生的微觀變化，而無需填寫缺失的信息。

為此，該團隊從模擬 X 射線數(shù)據(jù)開始訓練神經(jīng)網(wǎng)絡。 框架標題中的 NN，神經(jīng)網(wǎng)絡是一系列算法，可以教會計算機根據(jù)接收到的數(shù)據(jù)預測結果。該論文的第一作者、美國能源部 阿貢科學用戶設施辦公室納米材料中心 ( CNM ) 的博士后研究員 Henry Chan領導了這部分工作。

“我們使用計算機模擬來創(chuàng)建不同形狀和大小的晶體，并將它們轉換成圖像和衍射圖案供神經(jīng)網(wǎng)絡學習，”Chan 說。“迅速產(chǎn)生許多現(xiàn)實晶體訓練的難易程度是模擬的好處。”

這項工作是使用 Argonne系統(tǒng)評估聯(lián)合實驗室的圖形處理單元資源完成的 ，該實驗室部署了領先的測試平臺，以支持對新興高性能計算平臺和功能的研究。

Argonne 材料科學部的物理學家兼小組負責人 Stephan Hruszkewycz 說，一旦網(wǎng)絡經(jīng)過訓練，它就可以很快地接近正確答案。然而，仍有改進的空間，因此 3 D-CDI-NN 框架包括一個過程，使網(wǎng)絡完成剩下的工作。Hruszkewycz 與西北大學研究生 Saugat Kandel 一起致力于該項目的這一方面，從而減少了耗時的迭代步驟的需要。

“關于相干衍射的材料科學部的憂慮，因為你可以看到在幾個納米的長度尺度材料-約 100，000 比人類的頭發(fā)的寬度小倍-用X射線穿入的環(huán)境中，” Hruszkewycz說。“本文是這些先進的方法的示范，它極大地方便了成像過程。我們想知道一種材料是什么，以及它是如何隨時間變化的，這將有助于我們在進行測量時更好地了解它。”

作為最后的步驟， 3 d-CDI-NN的能力來填充丟失的信息，并拿出一個 3 d 可視化物上的金微小顆粒，在束線收集真實X射線數(shù)據(jù)測試 34 -ID-C 在在 APS。結果是一種計算方法在模擬數(shù)據(jù)上快了數(shù)百倍，在真實APS 數(shù)據(jù)上幾乎快了幾百倍 。測試還表明，網(wǎng)絡可以用比通常需要的數(shù)據(jù)更少的數(shù)據(jù)來重建圖像，以補償檢測器未捕獲的信息。

Chan 表示，這項研究的下一步是將網(wǎng)絡集成到 APS的工作流程中，以便它在獲取數(shù)據(jù)時從數(shù)據(jù)中學習。他說，如果網(wǎng)絡從光束線上的數(shù)據(jù)中學習，它將不斷改進。

對于這個團隊，這項研究也有時間因素。正如 Cherukara 所指出的，APS的 大規(guī)模升級 正在進行中，一旦項目完成，現(xiàn)在生成的數(shù)據(jù)量將呈指數(shù)級增長。升級后的 APS 將產(chǎn)生 亮度高達500倍的X 射線束 ，并且光束的相干性——光的特性，允許它以編碼更多樣品信息的方式衍射——將大大增加。

這意味著雖然現(xiàn)在從樣本中收集相干衍射成像數(shù)據(jù)并獲得圖像需要兩到三分鐘的時間，但該過程的數(shù)據(jù)收集部分將很快提高 500 倍。將該數(shù)據(jù)轉換為可用圖像的過程也需要比現(xiàn)在快數(shù)百倍才能跟上。

“為了充分利用升級后的 APS 的 功能，我們必須重新發(fā)明數(shù)據(jù)分析，”Cherukara 說。“我們目前的方法是不夠的跟上。機器學習可以充分利用并超越目前的可能性。”

除了 Chan、Cherukara 和 Hruszkewycz，該論文的作者還包括來自 Argonne 的 Subramanian Sankaranarayanan 和 Ross Harder;SLAC 國家加速器實驗室的Youssef Nashed ;和西北大學的 Saugat Kandel。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！