Ny tomografisk rekonstruktionsalgoritme sætter verdensrekord

Avanceret synkrotrontomografi er et kritisk forskningsværktøj, der gør det muligt for forskere at udforske objekters indviklede strukturer i ekstrem høj opløsning. Fordi denne teknik gør det muligt for forskere at fange dynamik i realtid, kan den fange igangværende ændringer i levende organismer (cellulære bevægelser og væskedynamik) til medicinsk forskning og i materialer, såsom observation af dendritdannelse i batterier for at forstå årsagerne til kapacitetsreduktion og eventuel fiasko.

Nøglen til denne detaljerede visning er, at tomografi ikke kun er afhængig af et enkelt røntgenbillede; i stedet tages flere billeder fra forskellige vinkler. Disse billeder føres derefter ind i en computer, hvor matematiske algoritmer kombinerer dem til at producere en tredimensionel (3D) digital repræsentation, der afslører et utroligt detaljeret billede af objektets indre struktur.

Men i mange tilfælde er antallet af billeder, der kan indsamles, meget begrænset. For eksempel kan det være en udfordring at indsamle tilstrækkeligt mange billeder fra en prøve i hastig udvikling, før den ændrer form.

Rekonstruering af strukturen fra sådanne begrænsede data er kun mulig, hvis yderligere kendte egenskaber for prøven er inkluderet i dataanalysen. Desværre er modellering af disse prøveegenskaber ofte meget beregningsintensive og kan kræve omfattende beregningsressourcer, som måske ikke er let tilgængelige for forskere.

For at løse denne udfordring har et hold fra Lawrence Berkeley National Laboratory's (Berkeley Lab's) Center for Advanced Mathematics for Energy Research Applications (CAMERA), bestående af projektforsker Dinesh Kumar og stabsforsker Jeffrey Donatelli fra Applied Math and Computational Research Division (AMCR) ) og stabsforsker Dula Parkinson fra Advanced Light Source-faciliteten, udviklede for nylig en ny rekonstruktionsalgoritme, TomoCAM, der udnytter avancerede matematiske teknikker og GPU-baseret databehandling.

Et papir med detaljer om TomoCAM blev offentliggjort i Journal of Synchrotron Radiation , hvor det viste sig at sætte en ny verdensrekord ved at overgå hastigheden af ​​eksisterende state-of-the-art iterative tomografiske rekonstruktionsalgoritmer.

Ifølge Kumar, papirets hovedforfatter, bruger eksperimentalister typisk direkte tilnærmelsesmetoder, såsom tilbagefiltrerede projektioner (FPB), til at lave deres tomografiske rekonstruktioner. Disse direkte tilnærmelsesmetoder fører dog ofte til rekonstruktioner af lav kvalitet i mange eksperimenter, hvor prøver udvikler sig, er modtagelige for strålingsskader, eller den eksperimentelle geometri begrænser erhvervelsen af ​​tilstrækkeligt udsyn.

Alternativt kan Model-Based Iterative Reconstruction (MBIR) metoder opnå meget højere kvalitet rekonstruktioner fra begrænsede og støjende data. MBIR kombinerer en matematisk model af den tomografiske proces med veluddannede antagelser om prøven for at opsætte en iterativ proces.

Startende med et indledende gæt forbedres en simuleret model af prøven gradvist, så den samtidig matcher røntgenmålingerne indsamlet under eksperimentet og opfylder prøveantagelserne. Indførelsen af ​​MBIR har dog været begrænset på grund af de betydelige beregningsressourcer, der kræves af konventionelle implementeringer.

TomoCAM overvinder disse beregningsmæssige omkostningsbegrænsninger ved at omformulere de fundamentale operatorer i MBIR i form af samplets Fourier-koefficienter, som beskriver de fundamentale frekvenser af samplets tæthed, svarende til de individuelle toner, der udgør et musikstykke.

Disse Fourier-koefficienter kan beregnes meget effektivt ved hjælp af den uensartede Fast Fourier Transform (NUFFT) algoritme, som tillader MBIR-operatørerne i TomoCAM at blive beregnet væsentligt hurtigere end traditionelle metoder. Derudover udnytter TomoCAM avancerede GPU-accelerationsstrategier, der optimerer datastreaming til GPU-hukommelse.

Disse innovationer gør det muligt for TomoCAM at udføre MBIR på en brøkdel af tiden sammenlignet med traditionelle MBIR-koder, mens de kun kræver beskedne og almindeligt tilgængelige computerressourcer. Ydermere har TomoCAM en Python-frontend, som giver adgang fra Jupyter-baserede rammer, hvilket muliggør ligetil integration i eksisterende arbejdsgange på synkrotronfaciliteter.

"Det kan virkelig gøre en forskel for forskere at se disse højkvalitetsresultater fra MBIR så hurtigt," sagde Dula Parkinson, chefforsker for mikrotomografi ved ALS.

"TomoCAM giver folk mulighed for at se resultater fra MBIR, da de indsamler data meget lettere. Dette gør dem i stand til at sikre, at kombinationen af ​​eksperimentelle parametre og analyseparametre er korrekte i stedet for at håbe på det bedste og finde problemer senere. Og det giver dem mulighed for at se de fine detaljer, der kan vejlede deres beslutninger om deres forsøgsplan mere tydeligt."

"Det skønne ved anvendt matematik er, at det ofte kan føre til væsentlige præstationsforbedringer, som ikke er mulige gennem højtydende computing alene," sagde Jeffrey Donatelli, Mathematics for Experimental Data Analysis Group lead og vicedirektør for CAMERA. "Ved at udnytte problemets matematiske struktur kan TomoCAM fremskynde den tomografiske inversionsproces betydeligt."

TomoCAM er tilgængelig for alle forskere under en open source-licens. Kumar sagde, at det i stigende grad bliver brugt på ALS, og National Synchrotron Light Source II ved Brookhaven National Laboratory arbejder på at inkludere TomoCAM i deres workflow-system.

Dette giver det materialevidenskabelige samfund midlerne til at udvide omfanget af tomografiske målinger mod i stigende grad in situ og operando målinger, hvor prøver ofte udvikler sig hurtigt og har komplekse geometrier - et eksempel er undersøgelsen af ​​brud og forringelse af keramiske matrixkompositter , som er nye letvægtsmaterialer, der bruges i jetmotorer, der arbejder under høje temperaturer og tryk.

TomoCAM er et produkt i konstant udvikling. "Vi undersøger nye måder til yderligere at fremskynde og automatisere den tomografiske rekonstruktionspipeline ved at udnytte yderligere matematiske strukturer af problemet og undersøge nye hybride metoder, der udnytter maskinlæringsmodeller," sagde Kumar.

"Det ultimative mål er at sænke adgangsbarrieren, fremskynde konvergensen og forenkle brugen af ​​MBIR, hvilket gør det muligt for materialeforskere at fokusere på at udføre komplekse eksperimenter uden at bekymre sig om genopbygningsprocessen."

Flere oplysninger: Dinesh Kumar et al., tomoCAM:hurtig modelbaseret iterativ rekonstruktion via GPU-acceleration og ikke-ensartede hurtige Fourier-transformationer, Journal of Synchrotron Radiation (2023). DOI:10.1107/S1600577523008962

Leveret af Lawrence Berkeley National Laboratory