Computers kunnen al geruime tijd 2D-beelden snel verwerken. Uw mobiele telefoon kan digitale foto's maken en deze op een aantal manieren manipuleren. Veel moeilijker, echter, een afbeelding in drie dimensies verwerkt, en dit op tijd te doen. De wiskunde is complexer, en het kraken van die cijfers, zelfs op een supercomputer, kost tijd.

Dat is de uitdaging die een groep wetenschappers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) probeert te overwinnen. Kunstmatige intelligentie is naar voren gekomen als een veelzijdige oplossing voor de problemen van big data-verwerking. Voor wetenschappers die de Advanced Photon Source (APS) gebruiken, een DOE Office of Science User Facility in Argonne, om 3D-beelden te verwerken, het kan de sleutel zijn om röntgengegevens zichtbaar te maken, begrijpelijke vormen in een veel sneller tempo. Een doorbraak op dit gebied kan gevolgen hebben voor de astronomie, elektronenmicroscopie en andere wetenschapsgebieden die afhankelijk zijn van grote hoeveelheden 3D-gegevens.

"Om volledig gebruik te maken van waartoe de geüpgradede APS in staat zal zijn, we moeten data-analyse opnieuw uitvinden. Onze huidige methoden zijn niet genoeg om bij te blijven. Machine learning kan volledig gebruik maken van en verder gaan dan wat momenteel mogelijk is, " zegt Mathew Cherukara van het Argonne National Laboratory

Het onderzoeksteam, waaronder wetenschappers van drie Argonne-divisies, heeft een nieuw computationeel raamwerk ontwikkeld met de naam 3D-CDI-NN, en heeft aangetoond dat het honderden keren sneller 3D-visualisaties kan maken van gegevens die bij het APS zijn verzameld dan met traditionele methoden. Het onderzoek van het team is gepubliceerd in Technische Natuurkunde Beoordelingen , een publicatie van het American Institute of Physics.

CDI staat voor coherente diffractiebeeldvorming, een röntgentechniek waarbij ultraheldere röntgenstralen van monsters worden weerkaatst. Die lichtstralen worden dan door detectoren verzameld als data, en het kost wat rekeninspanning om die gegevens in afbeeldingen om te zetten. Een deel van de uitdaging, legt Mathew Cherukara uit, leider van de Computational X-ray Science-groep in Argonne's X-ray Science Division (XSD), is dat de detectoren slechts een deel van de informatie van de bundels opvangen.

Maar er is belangrijke informatie in de ontbrekende gegevens, en wetenschappers vertrouwen op computers om die informatie in te vullen. Zoals Cherukara opmerkt, hoewel dit in 2D enige tijd kost, bij 3D-beelden duurt het nog langer. De oplossing, dan, is het trainen van een kunstmatige intelligentie om objecten en de microscopische veranderingen die ze ondergaan direct uit de onbewerkte gegevens te herkennen, zonder de ontbrekende informatie in te vullen.

Om dit te doen, het team begon met gesimuleerde röntgengegevens om het neurale netwerk te trainen. De NN in de titel van het raamwerk, een neuraal netwerk is een reeks algoritmen die een computer kunnen leren om resultaten te voorspellen op basis van gegevens die het ontvangt. Hendrik Chan, de hoofdauteur van het papier en een postdoctoraal onderzoeker in het Center for Nanoscale Materials (CNM), een DOE Office of Science User Facility in Argonne, leidde dit deel van het werk.

"We gebruikten computersimulaties om kristallen van verschillende vormen en maten te maken, en we hebben ze omgezet in afbeeldingen en diffractiepatronen zodat het neurale netwerk kan leren, "Zei Chan. "Het gemak van het snel genereren van veel realistische kristallen voor training is het voordeel van simulaties."

Dit werk werd gedaan met behulp van de middelen van de grafische verwerkingseenheid in Argonne's Joint Laboratory for System Evaluation, die geavanceerde testbedden inzet om onderzoek naar opkomende high-performance computerplatforms en -mogelijkheden mogelijk te maken.

Als het netwerk eenmaal is getraind, zegt Stephan Hruszkewycz, fysicus en groepsleider bij Argonne's Materials Science Division, het kan vrij dicht bij het juiste antwoord komen, vrij snel. Echter, er is nog ruimte voor verfijning, dus het 3D-CDI-NN-framework bevat een proces om het netwerk de rest van de weg daar te krijgen. Hruszkewycz, samen met Northwestern University afgestudeerde student Saugat Kandel, werkte aan dit aspect van het project, waardoor er minder tijdrovende iteratieve stappen nodig zijn.

"De Materials Science Division geeft om coherente diffractie omdat je materialen kunt zien op schalen van enkele nanometers - ongeveer 100, 000 keer kleiner dan de breedte van een mensenhaar - met röntgenstralen die doordringen in omgevingen, " Hruszkewycz zei. "Dit artikel is een demonstratie van deze geavanceerde methoden, en het vergemakkelijkt het beeldvormingsproces aanzienlijk. We willen weten wat een materiaal is, en hoe het in de loop van de tijd verandert, en dit zal ons helpen er betere foto's van te maken terwijl we metingen doen."

Als laatste stap, Het vermogen van 3D-CDI-NN om ontbrekende informatie in te vullen en een 3D-visualisatie te bedenken, werd getest op echte röntgengegevens van kleine gouddeeltjes, verzameld bij bundellijn 34-ID-C bij het APS. Het resultaat is een rekenmethode die honderden keren sneller is op gesimuleerde gegevens, en bijna zo snel op echte APS-gegevens. De tests toonden ook aan dat het netwerk beelden kan reconstrueren met minder gegevens dan normaal nodig is om de informatie te compenseren die niet door de detectoren wordt vastgelegd.

De volgende stap voor dit onderzoek, volgens Chan, is om het netwerk te integreren in de workflow van het APS, zodat het leert van gegevens zoals deze worden genomen. Als het netwerk leert van gegevens op de bundellijn, hij zei, het zal continu verbeteren.

Voor deze ploeg er zit ook een tijdselement in dit onderzoek. Zoals Cherukara opmerkt, een enorme upgrade van de APS is in de maak, en de hoeveelheid gegevens die nu wordt gegenereerd, zal exponentieel toenemen zodra het project is voltooid. De verbeterde APS genereert röntgenstralen die tot 500 keer helderder zijn, en de coherentie van de straal - het kenmerk van licht dat het mogelijk maakt om te buigen op een manier die meer informatie over het monster codeert - zal aanzienlijk worden vergroot.

Dat betekent dat hoewel het nu twee tot drie minuten duurt om coherente diffractiebeeldgegevens van een monster te verzamelen en een beeld te krijgen, het dataverzamelingsgedeelte van dat proces zal binnenkort tot 500 keer sneller zijn. Het proces om die gegevens om te zetten naar een bruikbare afbeelding moet ook honderden keren sneller gaan dan nu om bij te blijven.

"Om volledig gebruik te maken van waartoe de geüpgradede APS in staat zal zijn, we moeten data-analyse opnieuw uitvinden, "Zei Cherukara. "Onze huidige methoden zijn niet genoeg om bij te blijven. Machine learning kan volledig gebruik maken en verder gaan dan wat momenteel mogelijk is."

Naast Chan, Cherukara en Hruszkewycz, auteurs op het papier zijn onder meer Subramanian Sankaranarayanan en Ross Harder, beide van Argonne; Youssef Nashed van SLAC National Accelerator Laboratory; en Saugat Kandel van de Northwestern University.