Esta ilustración muestra un haz de rayos X coherente enfocado en una muestra a gran escala mientras registra patrones de difracción de campo lejano a medida que la muestra se escanea y gira. En el fondo hay un sistema informático que utiliza enfoques de diferenciación automática para reconstruir una imagen en 3D. Crédito:Laboratorio Nacional Ming Du / Argonne
Los científicos se están preparando para el aumento del brillo y la resolución de las fuentes de luz de próxima generación con una técnica informática que reconstruye las imágenes con mayor rapidez y precisión.
Los fotógrafos saben que capturar una imagen suele ser una batalla entre el enfoque y la resolución. Entrena la cámara sobre un objeto en primer plano, usando una apertura mayor, y el fondo se vuelve borroso. Utilice una apertura más pequeña para obtener una profundidad de campo y la nitidez del primer plano disminuye.
Lo mismo ocurre con las imágenes de rayos X, aunque a una escala mucho menor. Fuentes de luz como Advanced Photon Source (APS), una instalación para usuarios del Departamento de Energía de EE. UU. (DOE) ubicada en el Laboratorio Nacional Argonne del DOE, son excelentes para analizar pequeñas muestras de material en alta resolución utilizando rayos X hasta mil millones de veces más brillantes que los producidos en el consultorio de su dentista.
Pero con la próxima generación de tecnología de rayos X en el horizonte, vienen rayos más brillantes, lo que significa que será posible obtener imágenes de muestras más gruesas. Y cuanto más espesa es la muestra, lo más probable es que la reconstrucción de la imagen resultante se encuentre con el problema del enfoque frente a la resolución.
Lo que significa, según Chris Jacobsen, Miembro distinguido de Argonne y profesor de física en la Universidad Northwestern, que los científicos necesitan pensar en el futuro. Jacobsen lidera un equipo de investigadores que se encuentran entre los primeros en abordar este desafío para la obtención de imágenes de rayos X antes de proyectos como APS Upgrade, lo que aumentará el brillo de los haces de rayos X del APS hasta 500 veces. La actualización de APS, que ya está en marcha, permitirá avances que podrían conducir a baterías de mayor duración, piezas de motor más duraderas y computadoras más eficientes.
La actualización APS permitirá proyectos de investigación que son imposibles con la intensidad actual, como rastrear las conexiones neuronales dentro del cerebro de un ratón para aprender más sobre los trastornos neurológicos, un proyecto en el que está trabajando el equipo de Jacobsen. Pero también aumentará la necesidad de herramientas de reconstrucción más avanzadas.
Este es un problema solucionable, pero actualmente requiere una gran cantidad de trabajo computacional tedioso, según Ming Du, investigador postdoctoral en Argonne. Du es el autor principal de un artículo publicado en Avances de la ciencia que describe las formas en que una técnica llamada diferenciación automática puede ayudar a completar una reconstrucción 3D de imágenes de rayos X con más flexibilidad y menos esfuerzo humano que la computación tradicional.
Las simulaciones que demuestran esta técnica (que el equipo de investigación llama Adorym, para la recuperación automática de objetos basada en diferenciación con modelado dinámico) se ejecutaron en las supercomputadoras de Argonne Leadership Computing Facility (ALCF), otra instalación para usuarios de la Oficina de Ciencias del DOE. Du realizó la codificación y las pruebas en el clúster de Cooley en el ALCF.
Diferenciación automática, Du explicó, es la base de muchas herramientas de aprendizaje automático. En términos matemáticos, calcula gradientes para minimizar las funciones de pérdida, y aunque Du dijo que estos crujidos numéricos relativamente simples se podrían realizar manualmente, una fórmula compleja como una reconstrucción tridimensional de datos de rayos X requiere una enorme cantidad de estos cálculos.
"Las tareas son sencillas, pero hay muchos de ellos, "Dijo Du." Para eso se inventaron las computadoras. Tareas sencillas pero tediosas ".
El equipo de investigación de Jacobsen reveló previamente un nuevo enfoque para obtener imágenes de objetos más allá de la profundidad del campo de enfoque en un artículo publicado en Optica en 2018. Su modelo se llama Recuperación de objetos optimizados multicorte (MOOR), y el equipo demostró su utilidad para la pticografía de rayos X, que normalmente crea imágenes de cortes finos de materiales a alta resolución. MOOR utiliza densamente empaquetados, modelos multicorte para cada dirección de datos de rayos X, Du dijo, para crear reconstrucciones tridimensionales de muestras más gruesas.
Ampliando ese método para obtener imágenes en 3D de muestras más grandes, Du dijo, sería una enorme cantidad de trabajo sin la diferenciación automática. El equipo está utilizando la supercomputadora Theta en el ALCF para sus esfuerzos continuos para construir un marco para reconstrucciones automáticas impulsadas por diferenciación a escalas más grandes.
"La holografía toma imágenes de toda la muestra en una sola toma para cada ángulo de visión, ", dijo." El problema es que un pequeño ajuste en el modelo significa una gran cantidad de reelaboración en el cálculo del gradiente. La diferenciación automática cambia el juego. Puede hacer un cambio en el modelo y dejar todo lo demás en manos de la computadora ".
Du ofrece baterías de mayor duración como un buen ejemplo de un proyecto de investigación que podría beneficiarse de este método computacional. Imágenes del crecimiento de dendrita a nanoescala en un electrodo de batería, él dijo, puede requerir una solución al límite de profundidad de enfoque, que la diferenciación automática puede ayudar a proporcionar.
La diferenciación automática no es una idea nueva. Jacobsen dijo que se sugirió hace años como una herramienta para reconstrucciones de imágenes coherentes, pero el software para lograrlo no estaba disponible en ese momento. El auge del aprendizaje automático y las redes neuronales, sin embargo, hizo accesible esta tecnología. El equipo de investigación utilizó un paquete de código abierto llamado TensorFlow para realizar sus simulaciones.
"La computadora hace el trabajo pesado, y es un paquete lo suficientemente generalizado que se puede adaptar para imágenes de rayos X, "Dijo Jacobsen.
Hasta aquí, según Jacobsen, las reconstrucciones 3-D solo se han realizado con datos simulados. El equipo usó un objeto hecho por computadora, un cono de vidrio hueco, para mostrar que la diferenciación automática podría usarse para reconstrucciones más rápidas. El siguiente paso sería realizar pruebas con muestras físicas, pero una demostración completa de la técnica puede tener que esperar hasta que la próxima generación de instalaciones de rayos X esté en funcionamiento.
"Se acerca el próximo salto en la tecnología de aceleradores, Jacobsen dijo. "Es importante pensar en esto ahora".