At udfylde de tomme felter:Hvordan supercomputing kan hjælpe med røntgenbilleder i høj opløsning

Forskere forbereder sig på den øgede lysstyrke og opløsning af næste generations lyskilder med en computerteknik, der rekonstruerer billeder hurtigere og med mere præcision.

Fotografer ved, at det at tage et billede ofte er en kamp mellem fokus og opløsning. Træn kameraet på et objekt i forgrunden, ved at bruge en større blændeåbning, og baggrunden bliver sløret. Brug en mindre blændeåbning for at få en dybdeskarphed, og forgrundens skarphed formindskes.

Det samme gælder for røntgenbilleder, dog i meget mindre målestok. Lyskilder som den avancerede fotonkilde (APS), en US Department of Energy (DOE) brugerfacilitet beliggende ved DOE's Argonne National Laboratory, er fremragende til at analysere små prøver af materiale i høj opløsning ved hjælp af røntgenstråler, der er op til en milliard gange lysere end dem, der produceres på dit tandlægekontor.

Men med den næste generation af røntgenteknologi i horisonten, lysere stråler kommer, hvilket betyder billeddannelse af tykkere prøver vil være mulig. Og jo tykkere prøven er, jo mere sandsynligt vil den resulterende billedrekonstruktion løbe ind i fokus i forhold til opløsningsproblemet.

Hvilket betyder, ifølge Chris Jacobsen, Argonne Distinguished Fellow og professor i fysik ved Northwestern University, at forskerne skal tænke fremad. Jacobsen leder et team af forskere, der er blandt de første til at tackle denne udfordring for røntgenbilleder forud for projekter som APS Upgrade, hvilket vil øge lysstyrken af ​​APS' røntgenstråler med op til 500 gange. APS-opgraderingen, som allerede er i gang, vil muliggøre fremskridt, der kan føre til batterier, der holder længere, mere holdbare motordele og mere effektive computere.

APS-opgraderingen vil give mulighed for forskningsprojekter, der er umulige ved den nuværende intensitet, såsom at spore de neurale forbindelser inde i en muses hjerne for at lære mere om neurologiske lidelser, et projekt Jacobsens team arbejder på. Men det vil også øge behovet for mere avancerede rekonstruktionsværktøjer.

Dette er et problem, der kan løses, men det kræver i øjeblikket en stor mængde kedeligt beregningsarbejde, ifølge Ming Du, en postdoc-forsker ved Argonne. Du er hovedforfatter på et papir udgivet i Videnskabens fremskridt der beskriver, hvordan en teknik kaldet automatisk differentiering kan hjælpe med at fuldføre en 3D-rekonstruktion af røntgenbilleder med mere fleksibilitet og mindre menneskelig indsats end traditionel beregning.

Simuleringerne, der demonstrerer denne teknik (som forskerholdet kalder Adorym, for Automatic Differentiation-based Object Retrieval with Dynamical Modeling) blev kørt på supercomputere på Argonne Leadership Computing Facility (ALCF), en anden DOE Office of Science brugerfacilitet. Du udførte kodningen og testen på Cooley-klyngen på ALCF.

Automatisk differentiering, Du forklarede, er grundlaget for mange maskinlæringsværktøjer. I matematiske termer, den beregner gradienter for at minimere tabsfunktioner, og mens Du sagde, at disse relativt simple talknaser kunne udføres manuelt, en kompleks formel som en 3D-rekonstruktion af røntgendata kræver et enormt antal af disse beregninger.

"Opgaverne er enkle, men der er mange af dem " sagde Du. "Det er, hvad computere blev opfundet til at gøre. Enkle, men kedelige opgaver."

Jacobsens forskerhold har tidligere løftet sløret for en ny tilgang til billeddannelse af objekter ud over dybden af ​​fokusfeltet i et papir offentliggjort i Optica i 2018. Deres model hedder Multislice Optimized Object Recovery (MOOR), og holdet demonstrerede dets anvendelighed til røntgenptykografi, som normalt afbilder tynde skiver af materialer i høj opløsning. MOOR bruger tætpakket, multislice-modeller for hver retning af røntgendata, Du sagde, at skabe 3D-rekonstruktioner af tykkere prøver.

Opskalering af denne metode til 3D-billeddannelse af større prøver, Du sagde, ville være en enorm mængde arbejde uden automatisk differentiering. Holdet bruger Theta-supercomputeren på ALCF til deres igangværende bestræbelser på at bygge en ramme for automatiske differentieringsdrevne rekonstruktioner i større skalaer.

"Holografi afbilder hele prøven i et enkelt skud for hver betragtningsvinkel, " sagde han. "Problemet er, at en mindre justering af modellen betyder en stor mængde omarbejdning af gradientberegningen. Automatisk differentiering ændrer spillet. Du kan lave en ændring af modellen og overlade alt andet til computeren."

Du tilbyder længerevarende batterier som et godt eksempel på et forskningsprojekt, der kunne drage fordel af denne beregningsmetode. Billeddannelse af dendritvækst i nanoskala på en batterielektrode, han sagde, kan kræve en løsning på dybdefokusgrænsen, som automatisk differentiering kan være med til at give.

Automatisk differentiering er ikke en ny idé. Jacobsen sagde, at det blev foreslået for år siden som et værktøj til sammenhængende billedrekonstruktioner, men softwaren til at opnå det var ikke tilgængelig på det tidspunkt. Fremkomsten af ​​maskinlæring og neurale netværk, imidlertid, gjort denne teknologi tilgængelig. Forskerholdet brugte en open source-pakke kaldet TensorFlow til at udføre deres simuleringer.

"Computeren gør det tunge løft, og det er en generaliseret nok pakke til at den kan tilpasses til røntgenbilleder, sagde Jacobsen.

Indtil nu, ifølge Jacobsen, 3D-rekonstruktionerne er kun blevet udført på simulerede data. Holdet brugte et computerlavet objekt - en hul glaskegle - for at vise, at automatisk differentiering kunne bruges til hurtigere rekonstruktioner. Det næste trin ville være at teste med fysiske prøver, men en fuld demonstration af teknikken må muligvis vente, indtil næste generation af røntgenanlæg er oppe at køre.

"Det næste spring i acceleratorteknologi kommer, " sagde Jacobsen. "Det er vigtigt at tænke over det nu."