PtychoNN utiliza técnicas de IA para reconstruir tanto la amplitud como la fase a partir de datos de rayos X, proporcionando imágenes que los científicos pueden utilizar. Crédito:Mathew Cherukara / Laboratorio Nacional Argonne
Un equipo de científicos de Argonne está utilizando inteligencia artificial para decodificar imágenes de rayos X más rápido, que podría ayudar a las innovaciones en medicina, materiales y energía.
Suena como un despacho de un futuro lejano:un sistema informático que no solo puede reconstruir imágenes a partir de resmas de datos de rayos X a cientos de veces la velocidad de los métodos actuales, pero puede aprender de la experiencia y diseñar formas mejores y más eficientes de calcular esas reconstrucciones. Pero con la próxima generación de fuentes de luz de rayos X en el horizonte, y con ellas, un aumento masivo en la cantidad de datos que generarán:los científicos tienen una razón para perseguir ese futuro, y rápido.
En un artículo reciente publicado en Letras de física aplicada , un equipo de científicos informáticos de dos instalaciones para usuarios de la Oficina de ciencias científicas del Departamento de Energía de EE. UU. en el Laboratorio Nacional Argonne del DOE, la Fuente de fotones avanzada (APS) y el Centro de materiales a nanoescala (CNM), han demostrado el uso de inteligencia artificial ( AI) para acelerar el proceso de reconstrucción de imágenes a partir de datos de dispersión de rayos X coherentes.
Las técnicas tradicionales de imágenes de rayos X (como las imágenes de rayos X médicos) están limitadas en la cantidad de detalles que pueden proporcionar. Esto ha llevado al desarrollo de métodos de obtención de imágenes de rayos X coherentes que son capaces de proporcionar imágenes desde las profundidades de los materiales con una resolución de unos pocos nanómetros o menos. Estas técnicas generan imágenes de rayos X sin necesidad de lentes, difractando o dispersando el haz de las muestras y directamente sobre los detectores.
Los datos capturados por esos detectores tienen toda la información necesaria para reconstruir imágenes de alta fidelidad, y los científicos computacionales pueden hacer esto con algoritmos avanzados. Estas imágenes pueden ayudar a los científicos a diseñar mejores baterías, construir materiales más duraderos y desarrollar mejores medicamentos y tratamientos para enfermedades.
El proceso de usar computadoras para ensamblar imágenes a partir de datos de rayos X dispersos y coherentes se llama pticografía, y el equipo utilizó una red neuronal que aprende a extraer esos datos de una forma coherente. De ahí el nombre de su innovación:PtychoNN.
"La génesis de esto se remonta a algunos años, "dijo Mathew Cherukara, el primer autor del artículo y un científico computacional que ha trabajado tanto en el APS como en el CNM.
Está previsto que el APS se someta a una actualización masiva en los próximos años, lo que aumentará el brillo de sus rayos X hasta 500 veces. Se espera un aumento similar en los datos, y los métodos computacionales actuales para reconstruir imágenes ya están luchando por mantener el ritmo.
"Nos preocupaba que después de la actualización, las velocidades de datos serán demasiado grandes para que funcionen los métodos tradicionales de análisis de imágenes, ", Dijo Cherukara." Los métodos de inteligencia artificial pueden mantenerse al día, y producir imágenes cientos de veces más rápido que con el método tradicional ".
PtychoNN también resuelve uno de los mayores problemas a los que se enfrentan los científicos informáticos que trabajan en experimentos de dispersión de rayos X:el problema de la fase.
Desafío aceptado
Imagina una piscina olímpica, lleno de nadadores. Ahora imagina mirar el reflejo de la luz del agua en el techo del edificio, justo encima de la piscina. Si alguien te pide que lo averigües, solo por esos destellos de luz en el techo, donde están los bañistas en la piscina, ¿Lo podrías hacer?
Ese, según Martin Holt, es lo que es reconstruir una imagen a partir de datos coherentes de dispersión de rayos X. Holt es líder de grupo interino en CNM y uno de los autores del artículo de PtychoNN. Su trabajo consiste en utilizar sofisticados sistemas informáticos para crear imágenes a partir de datos de fotones dispersos, o esencialmente, mirar el reflejo del agua en el techo y hacer una imagen de los nadadores.
Cuando un haz de rayos X incide en una muestra, la luz se difracta y se dispersa, y los detectores alrededor de la muestra recogen esa luz. Entonces depende de Holt y de científicos como él convertir esos datos en información que los científicos puedan usar. El reto, sin embargo, es que mientras que los fotones en el haz de rayos X llevan dos piezas de información:la amplitud, o el brillo del rayo, y la fase, o cuánto cambia el rayo cuando atraviesa la muestra:los detectores solo capturan uno.
"Debido a que los detectores solo pueden detectar amplitud y no pueden detectar la fase, toda esa información se pierde, Holt dijo:"Así que tenemos que reconstruirlo".
La buena noticia es, los científicos pueden hacerlo. La mala noticia es el proceso es más lento de lo que les gustaría a los científicos. Parte del desafío está en el extremo de la adquisición de datos. Para reconstruir los datos de fase a partir de experimentos de imágenes de difracción coherente, los algoritmos actuales requieren que los científicos recopilen muchos más datos de amplitud de su muestra, que lleva más tiempo. Pero la reconstrucción real a partir de esos datos también lleva algo de tiempo.
Aquí es donde entra en juego PtychoNN. Usando técnicas de IA, el equipo de investigadores ha demostrado que se puede enseñar a las computadoras a predecir y reconstruir imágenes a partir de datos de rayos X, y puede hacerlo 300 veces más rápido que el método tradicional. Más que eso, aunque, PtychoNN puede acelerar el proceso en ambos extremos.
"Lo que proponemos no requiere la información superpuesta que necesitan los algoritmos tradicionales, "dijo Tao Zhou, un postdoctorado con la División de Ciencias de Rayos X de Argonne (XSD) y coautor del artículo. "La IA puede entrenarse para predecir la imagen punto a punto".
Mayor aprendizaje
En lugar de utilizar imágenes simuladas para entrenar la red neuronal, el equipo utilizó datos de rayos X reales tomados en la línea de luz 26-ID en el APS, operado por CNM. Dado que esa línea de luz se utiliza para nanociencia, su óptica enfoca el haz de rayos X hasta un tamaño muy pequeño. Para este experimento, el equipo tomó una imagen de un objeto, en este caso, una pieza de tungsteno grabada con características aleatorias, y presentó ese sistema con menos información de la que normalmente se necesitaría para reconstruir una imagen completa.
"Hay dos conclusiones clave:", Dijo Cherukara." Si la adquisición de datos es el mismo que el método actual, PtychoNN es 300 veces más rápido. Pero también puede reducir la cantidad de datos que deben adquirirse para producir imágenes ".
Cherukara señaló que una reconstrucción realizada con menos información conduce naturalmente a una imagen de peor calidad, pero aún obtendrás una imagen, donde los métodos algorítmicos tradicionales no podrían producir uno. Dijo que los científicos a veces se topan con limitaciones de tiempo que no permiten capturar un conjunto de datos completo. o muestras dañadas en las que no es posible el conjunto de datos completo, y PtychoNN pueden generar imágenes utilizables incluso en esas circunstancias.
Toda esta eficiencia el equipo dijo, Es un buen augurio para PtychoNN como una nueva forma de avanzar después de la actualización de APS. Este enfoque permitirá que el análisis de datos y la recuperación de imágenes se mantengan al día con el aumento de datos. El siguiente paso es ir más allá de la prueba de concepto, generar imágenes tridimensionales completas y con resolución temporal, e incorpore PtychoNN en el flujo de trabajo de APS.
"Lo que sigue es demostrar que funciona en más conjuntos de datos y que lo implementa para el uso diario, "dijo Ross Harder, físico y desarrollador líder de instrumentación de imágenes de difracción coherente con XSD, y coautor del artículo.
Haciendo eso, Cherukara dijo:incluso podría resultar en un sistema de auto-mejoramiento que aprende constantemente de cada experimento de difracción en el APS. Él imagina un programa ejecutándose silenciosamente en segundo plano, volviéndose más eficiente con cada conjunto de datos que observa.
Para Holt, una innovación como PtychoNN es una consecuencia natural de la forma en que Argonne combina recursos para resolver problemas.
"Tenemos excelentes recursos informáticos en Argonne, y una de las mejores fuentes de luz del mundo, y un centro que se centra en la nanotecnología, ", dijo." Esa es la verdadera fuerza de Argonne, que todos están en el mismo laboratorio ".