1768229705
2026-01-12 14:35:00
Newswise — Рентгеновская томография — это мощный инструмент, который позволяет ученым и инженерам заглядывать внутрь объектов в 3D, включая компьютерные чипы и современные материалы для аккумуляторов, не выполняя при этом никаких инвазивных действий. Это тот же основной метод, что и при медицинской компьютерной томографии. Ученые и технические специалисты получают рентгеновские изображения при вращении объекта, а затем современное программное обеспечение математически реконструирует внутреннюю трехмерную структуру объекта. Но для визуализации мелких деталей на наноуровне, таких как элементы микрочипа, требуется гораздо более высокое пространственное разрешение, чем при типичной медицинской компьютерной томографии — примерно в 10 000 раз выше.
Жесткий рентгеновский нанозонд (HXN) луч на Национальный источник синхротронного света II (NSLS-II), пользовательское учреждение Управления науки Министерства энергетики США (DOE) в Брукхейвенской национальной лаборатории Министерства энергетики, способно достичь такого разрешения с помощью рентгеновских лучей, которые более чем в миллиард раз ярче, чем традиционные компьютерные томографии.
Томография работает хорошо только тогда, когда проекционные изображения можно получить со всех сторон. Однако во многих реальных случаях это невозможно. Например, ученые не могут повернуть плоский компьютерный чип на 180 градусов, не блокируя при этом часть рентгеновских лучей. При параллельности поверхности под большими углами меньшее количество рентгеновских лучей может проникнуть в чип, что ограничивает углы обзора при измерении. Недостающие данные из этого углового диапазона создают «слепое пятно», в результате чего программное обеспечение для реконструкции создает размытые, искаженные изображения.
«Мы называем это проблемой «недостающего клина», — сказал Ханфэй Ян, ведущий научный сотрудник HXN и автор этой работы. «На протяжении десятилетий эта проблема ограничивала применение рентгеновской и электронной томографии во многих областях науки и техники».
Чтобы решить эту проблему, исследователи из NSLS-II разработали новый метод, названный механизмом реконструкции итеративной томографии с объединенным восприятием (PFITRE). Этот новый подход сочетает в себе физику рентгеновских лучей с мощью искусственного интеллекта (ИИ). Команда обучила сверточную нейронную сеть — тип модели искусственного интеллекта, которая автоматически изучает шаблоны данных с помощью смоделированных данных. Сверточные нейронные сети используют сверточные слои для обнаружения важных функций, таких как края, текстуры или формы, и объединяют эти функции для прогнозирования, например определения того, что находится на изображении. Компонент искусственного интеллекта собирает перцептивные знания об образце и о том, как, по ожиданиям команды, должно выглядеть решение, и использует их для улучшения реконструированного изображения на основе этих знаний. Между тем, основанная на физике модель проверяет, что результаты по-прежнему имеют научный смысл. Этот процесс повторяется несколько раз, пока результаты компонентов искусственного интеллекта и физики не совпадут, создавая точную и визуально понятную реконструкцию. Их результаты были недавно опубликованы в npj Расчетные материалы.
Лучшее зрение требует тщательной подготовки
В отличие от коррекции изображений в потребительских технологиях, таких как камеры мобильных телефонов, научные изображения должны сохранять точность, а не только внешний вид. Ученым необходимо было разработать метод, гарантирующий, что скорректированное изображение по-прежнему соответствует физической модели и данным. Для этого ученые NSLS-II встроили ИИ в механизм итеративного решения — математический инструмент, который решает сложные проблемы, шаг за шагом неоднократно пробуя улучшенные решения, пока не приблизится достаточно близко к правильному ответу. Встроенный искусственный интеллект действует как «умный» регуляризатор — функция, которая ограничивает чрезмерную коррекцию, используя физическое моделирование, чтобы гарантировать, что реконструкции остаются верными фактическим рентгеновским измерениям.
“Нам не нужен был ИИ, который просто создает более качественные изображения. Мы хотели ИИ, который работал бы рука об руку с физикой, чтобы результаты были одновременно визуально ясными и заслуживающими научного доверия”, – сказал Чонханг Чжао, постдок в HXN и ведущий автор этой работы. «В этом сила нашего метода — сочетание сложности искусственного интеллекта с физической моделью для обеспечения точности».
ИИ в PFITRE построен на типе нейронной сети, называемой архитектурой U-net, конструкции кодера-декодера, которая популярна для общей обработки изображений. Этап кодирования изучает и обнаруживает важные функции, такие как края, текстуры и формы входного изображения, а этап декодера перестраивает изображение, используя эти функции, чтобы восстановить детали и исправить искажения. Исследователи расширили возможности U-net с помощью структурных модификаций, называемых остаточными плотными блоками и расширенными извилинами. Это помогает сети захватывать информацию в различных масштабах: от мелких текстур до более крупных структур, что делает сеть более подходящей для решения проблемы недостающего клина в томографии. Однако такая модель не может обучаться сама по себе. Для обучения необходимы значительные объемы данных.
Реальные наборы данных научной микроскопии слишком ограничены для эффективного обучения конкретной модели искусственного интеллекта, такой как PFITRE, поэтому команда полагалась на синтетические данные. Они создали наборы обучающих данных, используя естественные изображения, смоделированные шаблоны и изображения цепей, полученные с помощью сканирующего электронного микроскопа, в качестве отображаемых образцов. Чтобы сделать обучение максимально реалистичным, они представили «цифровой двойник» эксперимента и создали виртуальные данные, имитирующие реальные условия. Они намеренно включили шум, несоосность и другие недостатки, чтобы ИИ мог обрабатывать физические данные.
Влияние на будущее визуализации
Хотя для совершенствования этого метода еще предстоит проделать работу, преимущества очевидны. Образцы, которые когда-то были недоступны из-за их размера или геометрии, теперь могут давать информативные данные. Большее поле зрения позволяет проанализировать больший объем образца, не становясь жертвой недостающего клина. Этот метод также может оказаться полезным в экспериментах, где требуется меньше измерений, что позволит ускорить исследования на месте и снизить дозу радиации в чувствительных образцах.
Хотя PFITRE является большим достижением, команда признает, что есть возможности для улучшения. В настоящее время метод обрабатывает 3D-объекты срез за срезом. Расширение его до полного 3D-подхода еще больше повысит согласованность, но потребует больше вычислений. Другая проблема заключается в том, чтобы включить больше артефактов, например, из-за дефектных пикселей или движения образца, чтобы расширить диапазон его применения. Как и другие модели ИИ, он не может устранять проблемы, которые раньше «не наблюдались». Чтобы решить эту проблему, будущая работа будет включать создание более богатого набора обучающих данных, включающего множество типов артефактов, и разработку способов более эффективного обучения модели с меньшими затратами на обучение.
Этот новый мощный метод анализа 3D-изображений потенциально может ускорить открытия во многих областях: от разработки более быстрых и эффективных микрочипов до синтеза новых материалов и даже биомедицинских приложений. Поскольку машинное обучение и наука о синхротроне продолжают развиваться вместе, подобные инструменты улучшат взгляд ученых на микроскопический мир и помогут решить некоторые из крупнейших научных проблем общества.
Брукхейвенская национальная лаборатория поддерживается Управлением науки Министерства энергетики США. Управление науки является крупнейшим спонсором фундаментальных исследований в области физических наук в Соединенных Штатах и работает над решением некоторых из наиболее насущных проблем нашего времени. Для получения дополнительной информации посетите science.energy.gov.
Следите за @BrookhavenLab в социальных сетях. Найдите нас на Инстаграм, LinkedIn, Хи Фейсбук.
#Новый #метод #искусственного #интеллекта #улучшает #трехмерное #рентгеновское #зрение
Ещё по этой теме
