Duboko učenje vizualizira podatke rendgena u tri dimenzije
Računala su već neko vrijeme u stanju brzo obraditi 2D slike. Vaš mobitel može snimati digitalne fotografije i manipulirati njima na više načina. Mnogo je teže, međutim, obraditi sliku u tri dimenzije i to učiniti na vrijeme. Matematika je složenija, a za probijanje tih brojeva, čak i na superračunalu, potrebno je puno vremena.
To je izazov koji želi prevladati skupina znanstvenika iz Nacionalnog laboratorija Argonne američkog Ministarstva energetike (DOE). Umjetna inteligencija pojavila se kao svestrano rješenje za pitanja koja postavlja obrada velikih podataka. Znanstvenicima koji koriste Advanced Photon Source (APS) za obradu 3D slika to može biti ključ za pretvaranje podataka rendgenskih zraka u vidljive, razumljive oblike mnogo bržim tempom. Proboj u ovom području mogao bi imati implikacije na astronomiju, elektronsku mikroskopiju i druga područja znanosti ovisno o velikim količinama 3D podataka.
"Kako bismo u potpunosti iskoristili ono za što će nadograđeni APS biti sposoban, moramo ponovno izumiti analizu podataka. Naše trenutne metode nisu dovoljne za održavanje. Strojno učenje može u potpunosti iskoristiti i nadići ono što je trenutno moguće", kaže Mathew Cherukara iz Nacionalnog laboratorija Argonne.
Istraživački tim, koji uključuje znanstvenike iz tri odjeljenja Nacionalnog laboratorija Argonne, razvio je novi računalni okvir pod nazivom 3D-CDI-NN i pokazao da može stvoriti 3D vizualizacije od podataka prikupljenih na APS-u stotine puta brže nego što to mogu tradicionalne metode.
CDI označava koherentno difrakcijsko snimanje, rendgensku tehniku koja uključuje odbijanje ultra-svijetlih rendgenskih zraka od uzoraka. Ti će snopovi svjetlosti detektore prikupiti kao podatke, a potrebno je i određeno računanje da bi se ti podaci pretvorili u slike. Dio izazova, objašnjava Mathew Cherukara, jest da detektori hvataju samo neke informacije iz snopova.
No, važne informacije sadržane su u podacima koji nedostaju, a znanstvenici se oslanjaju na računala kako bi ispunili te podatke. Kako primjećuje Cherukara, iako je za to potrebno neko vrijeme za 2D, za 3D slike je potrebno još više vremena. Rješenje je, dakle, osposobiti umjetnu inteligenciju da prepozna objekte i mikroskopske promjene kroz koje prolaze izravno iz sirovih podataka, bez potrebe za popunjavanjem podataka koji nedostaju.
Kako bi to učinili, tim je započeo sa simuliranim rendgenskim podacima za obuku neuronske mreže. NN u naslovu je neuronska mreža, niz algoritama koji mogu naučiti računalo da predviđa ishode na temelju podataka koje prima. Henry Chan, vodeći autor ovog rada i postdoktorski istraživač vodio je ovaj dio rada.
"Koristili smo računalne simulacije za stvaranje kristala različitih oblika i veličina, te smo ih pretvorili u slike i difrakcijske uzorke koje neuronska mreža može naučiti. Jednostavnost brzog generiranja mnogih realističnih kristala za trening je prednost simulacija", rekao je Chan.
Kao posljednji korak, sposobnost 3D-CDI-NN da ispuni informacije koje nedostaju i dođe do 3D vizualizacije ispitana je na stvarnim rentgenskim podacima malih čestica zlata, prikupljenih na liniji snopa 34-ID-C u APS-u. Rezultat je računalna metoda koja je stotinama puta brža na simuliranim podacima, a gotovo toliko brza na stvarnim APS podacima. Testovi su također pokazali da mreža može rekonstruirati slike s manje podataka nego što je obično potrebno za kompenzaciju informacija koje detektori nisu uhvatili.
Sljedeći korak za ovo istraživanje, prema Chanu, je integracija mreže u tijek rada APS-a, tako da ona uči iz podataka pri preuzimanju. Ako mreža uči iz podataka na liniji snopa, rekao je, to će se stalno poboljšavati.
Za ovaj tim postoji i vremenski element ovog istraživanja. Kako Cherukara ističe, u tijeku je velika nadogradnja APS-a, a količina generiranih podataka sada će se eksponencijalno povećati nakon završetka projekta. Nadograđeni APS generirat će do 500 puta svjetlije rendgenske zrake, a koherentnost zraka bit će uvelike povećana.
To znači da iako sada treba dvije do tri minute da se prikupe koherentni podaci snimanja difrakcijom iz uzorka i dobije slika, prikupljanje podataka uskoro će biti do 500 puta brže. Proces pretvaranja tih podataka u upotrebljivu sliku također će biti stotine puta brži nego što je sada.
Izvor: Applied Physics Reviews