La tomografía sincrotrón avanzada es una herramienta de investigación fundamental que permite a los científicos explorar las intrincadas estructuras de los objetos en una resolución extremadamente alta. Debido a que esta técnica permite a los investigadores capturar dinámicas en tiempo real, puede capturar cambios continuos en organismos vivos (movimientos celulares y dinámica de fluidos) para investigación médica y en materiales, como observar la formación de dendritas en baterías para comprender las causas de la reducción de capacidad. y eventual fracaso.

La clave de esta vista detallada es que la tomografía no se basa únicamente en una única imagen de rayos X; en cambio, se toman varias imágenes desde diferentes ángulos. Luego, estas imágenes se introducen en una computadora, donde los algoritmos matemáticos las combinan para producir una representación digital tridimensional (3D) que revela una vista increíblemente detallada de la estructura interna del objeto.

Sin embargo, en muchos casos, la cantidad de imágenes que se pueden recopilar es muy limitada. Por ejemplo, recopilar suficientes imágenes de una muestra que evoluciona rápidamente puede ser un desafío antes de que cambie de forma.

Reconstruir la estructura a partir de datos tan limitados sólo es posible si se incluyen propiedades conocidas adicionales de la muestra en el análisis de datos. Desafortunadamente, modelar estas propiedades de muestras suele ser muy intensivo desde el punto de vista computacional y puede requerir extensos recursos computacionales que pueden no estar fácilmente disponibles para los investigadores.

Para abordar este desafío, un equipo del Centro de Matemáticas Avanzadas para Aplicaciones de Investigación Energética (CAMERA) del Laboratorio Nacional Lawrence Berkeley (Berkeley Lab), formado por el científico del proyecto Dinesh Kumar y el científico Jeffrey Donatelli de la División de Investigación Computacional y Matemáticas Aplicadas (AMCR ) y la científica Dula Parkinson de las instalaciones de Advanced Light Source, desarrollaron recientemente un nuevo algoritmo de reconstrucción, TomoCAM, que aprovecha técnicas matemáticas avanzadas y computación basada en GPU.

Se publicó un artículo que detalla TomoCAM en el Journal of Synchrotron Radiation , donde se demostró que estableció un nuevo récord mundial al superar la velocidad de los algoritmos iterativos de reconstrucción tomográfica de última generación existentes.

Según Kumar, autor principal del artículo, los experimentadores suelen utilizar métodos de aproximación directa, como las proyecciones retrofiltradas (FPB), para realizar sus reconstrucciones tomográficas. Sin embargo, estos métodos de aproximación directa frecuentemente conducen a reconstrucciones de baja calidad en muchos experimentos donde las muestras están evolucionando, son susceptibles a daños por radiación o la geometría experimental restringe la adquisición de vistas suficientes.

Alternativamente, los métodos de reconstrucción iterativa basada en modelos (MBIR) pueden obtener reconstrucciones de mucha mayor calidad a partir de datos limitados y ruidosos. MBIR combina un modelo matemático del proceso tomográfico con suposiciones fundamentadas sobre la muestra para establecer un proceso iterativo.

A partir de una suposición inicial, se mejora gradualmente un modelo simulado de la muestra para que coincida simultáneamente con las mediciones de rayos X recopiladas durante el experimento y satisfaga los supuestos de la muestra. Sin embargo, la adopción de MBIR ha sido limitada debido a los importantes recursos computacionales requeridos por las implementaciones convencionales.

TomoCAM supera estas limitaciones de costos computacionales reformulando los operadores fundamentales en MBIR en términos de los coeficientes de Fourier de la muestra, que describen las frecuencias fundamentales de la densidad de la muestra, similares a las notas individuales que componen una pieza musical.

Estos coeficientes de Fourier se pueden calcular de manera muy eficiente utilizando el algoritmo no uniforme de Transformada Rápida de Fourier (NUFFT), que permite que los operadores MBIR en TomoCAM se calculen significativamente más rápido que los métodos tradicionales. Además, TomoCAM aprovecha estrategias avanzadas de aceleración de GPU que optimizan la transmisión de datos a la memoria de GPU.

Estas innovaciones permiten a TomoCAM realizar MBIR en una fracción del tiempo en comparación con los códigos MBIR tradicionales y, al mismo tiempo, solo requieren recursos informáticos modestos y comúnmente disponibles. Además, TomoCAM tiene una interfaz Python, que proporciona acceso desde marcos basados ​​en Jupyter, lo que permite una integración sencilla en los flujos de trabajo existentes en las instalaciones de sincrotrón.

"Realmente puede marcar una diferencia para los científicos ver estos resultados de alta calidad del MBIR tan rápidamente", afirmó Dula Parkinson, científica jefe de microtomografía de ALS.

"TomoCAM permite a las personas ver los resultados de MBIR mientras recopilan datos mucho más fácilmente. Esto les permite garantizar que la combinación de parámetros experimentales y de análisis sea correcta en lugar de esperar lo mejor y encontrar problemas más tarde. Y les permite ver los finos detalles que pueden guiar sus decisiones sobre su plan experimental más claramente."

"La belleza de las matemáticas aplicadas es que a menudo pueden conducir a mejoras significativas en el rendimiento que no son posibles mediante la computación de alto rendimiento por sí sola", dijo Jeffrey Donatelli, líder del Grupo de Matemáticas para Análisis de Datos Experimentales y subdirector de CAMERA. "Al explotar la estructura matemática del problema, TomoCAM puede acelerar significativamente el proceso de inversión tomográfica."

TomoCAM está disponible para todos los investigadores bajo una licencia de código abierto. Kumar dijo que se utiliza cada vez más en el ALS, y que la Fuente Nacional de Luz Sincrotrón II del Laboratorio Nacional Brookhaven está trabajando para incluir TomoCAM en su sistema de flujo de trabajo.

Esto proporciona a la comunidad científica de materiales los medios para ampliar el alcance de las mediciones tomográficas hacia mediciones cada vez más in situ e in operando, donde las muestras a menudo evolucionan rápidamente y tienen geometrías complejas; un ejemplo es la investigación de las fracturas y el deterioro de los compuestos de matriz cerámica. , que son nuevos materiales livianos utilizados en motores a reacción que operan bajo altas temperaturas y presión.

TomoCAM es un producto en continua evolución. "Estamos buscando nuevas formas de acelerar y automatizar aún más el proceso de reconstrucción tomográfica explotando estructuras matemáticas adicionales del problema e investigando nuevos métodos híbridos que aprovechen los modelos de aprendizaje automático", afirmó Kumar.

"El objetivo final es reducir la barrera de entrada, acelerar la convergencia y simplificar el uso de MBIR, permitiendo a los científicos de materiales centrarse en llevar a cabo experimentos complejos sin preocuparse por el proceso de reconstrucción".

Más información: Dinesh Kumar et al, tomoCAM:reconstrucción iterativa basada en modelos rápidos mediante aceleración de GPU y transformadas rápidas de Fourier no uniformes, Journal of Synchrotron Radiation (2023). DOI:10.1107/S1600577523008962

Proporcionado por el Laboratorio Nacional Lawrence Berkeley