Un team di scienziati di Argonne sta usando l'intelligenza artificiale per decodificare le immagini a raggi X più velocemente, che potrebbe aiutare le innovazioni in medicina, materiali ed energia.

Sembra un dispaccio dal lontano futuro:un sistema informatico che non solo può ricostruire immagini da risme di dati a raggi X a centinaia di volte la velocità dei metodi attuali, ma può imparare dall'esperienza e progettare metodi migliori e più efficienti per calcolare tali ricostruzioni. Ma con la prossima generazione di sorgenti di luce a raggi X all'orizzonte, e con loro, un enorme aumento della quantità di dati che genereranno:gli scienziati hanno un motivo per perseguire quel futuro, e rapidamente.

In un recente articolo pubblicato su Lettere di fisica applicata , un team di scienziati informatici di due strutture per gli utenti dell'Ufficio delle scienze del Dipartimento dell'energia degli Stati Uniti (DOE) presso l'Argonne National Laboratory del DOE, l'Advanced Photon Source (APS) e il Center for Nanoscale Materials (CNM), hanno dimostrato l'uso dell'intelligenza artificiale ( AI) per accelerare il processo di ricostruzione delle immagini da dati coerenti di scattering di raggi X.

Le tecniche di imaging a raggi X tradizionali (come le immagini radiografiche mediche) sono limitate nella quantità di dettagli che possono fornire. Ciò ha portato allo sviluppo di metodi di imaging a raggi X coerenti che sono in grado di fornire immagini dalla profondità dei materiali con una risoluzione di pochi nanometri o meno. Queste tecniche generano immagini a raggi X senza la necessità di lenti, diffrangendo o disperdendo il raggio dai campioni e direttamente sui rivelatori.

I dati catturati da quei rilevatori hanno tutte le informazioni necessarie per ricostruire immagini ad alta fedeltà, e gli scienziati computazionali possono farlo con algoritmi avanzati. Queste immagini possono quindi aiutare gli scienziati a progettare batterie migliori, costruire materiali più durevoli e sviluppare farmaci e cure migliori per le malattie.

Il processo di utilizzo dei computer per assemblare immagini da dati radiografici sparsi coerenti è chiamato tticografia, e il team ha utilizzato una rete neurale che impara a inserire quei dati in una forma coerente. Da qui il nome della loro innovazione:PtychoNN.

"La genesi di questo risale a qualche anno fa, " disse Mathew Cherukara, il primo autore dell'articolo e uno scienziato computazionale che ha lavorato sia all'APS che al CNM.

L'APS è programmato per subire un massiccio aggiornamento nei prossimi anni, che aumenterà la luminosità dei suoi raggi X fino a 500 volte. Si prevede un analogo aumento dei dati, e gli attuali metodi computazionali di ricostruzione delle immagini stanno già lottando per tenere il passo.

"Eravamo preoccupati che dopo l'aggiornamento, le velocità di trasmissione dei dati saranno troppo elevate perché i metodi tradizionali di analisi delle immagini funzionino, " Disse Cherukara. "I metodi di intelligenza artificiale possono tenere il passo, e produrre immagini centinaia di volte più velocemente rispetto al metodo tradizionale."

PtychoNN risolve anche uno dei maggiori problemi che devono affrontare gli scienziati informatici che lavorano su esperimenti di diffusione dei raggi X:il problema della fase.

Sfida accettata

Immagina una piscina olimpionica, pieno di nuotatori. Ora immagina di guardare il riflesso della luce sull'acqua sul soffitto dell'edificio, appena sopra la piscina. Se qualcuno ti chiedesse di capire, solo da quei bagliori di luce sul soffitto, dove i nuotatori sono in piscina, potresti farlo?

Quella, secondo Martin Holt, è com'è ricostruire un'immagine da dati di diffusione di raggi X coerenti. Holt è un leader del gruppo ad interim presso CNM e uno degli autori del documento PtychoNN. Il suo lavoro consiste nell'utilizzare sistemi informatici sofisticati per creare immagini a partire da dati di fotoni sparsi, o, essenzialmente, guardare il riflesso dell'acqua sul soffitto e fare un'immagine dei nuotatori.

Quando un raggio di raggi X colpisce un campione, la luce si diffra e si disperde, e i rilevatori intorno al campione raccolgono quella luce. Sta poi a Holt e agli scienziati come lui trasformare quei dati in informazioni utilizzabili dagli scienziati. La sfida, però, è che mentre i fotoni nel fascio di raggi X trasportano due informazioni:l'ampiezza, o la luminosità del raggio, e la fase, o quanto cambia il raggio quando passa attraverso il campione:i rivelatori ne catturano solo uno.

"Poiché i rilevatori possono rilevare solo l'ampiezza e non possono rilevare la fase, tutte queste informazioni sono perse, " Holt ha detto "Quindi dobbiamo ricostruirlo".

La buona notizia è che gli scienziati possono farlo. La cattiva notizia è che il processo è più lento di quanto vorrebbero gli scienziati. Parte della sfida riguarda l'acquisizione dei dati. Al fine di ricostruire i dati di fase da esperimenti di imaging di diffrazione coerente, gli algoritmi attuali richiedono che gli scienziati raccolgano dati di ampiezza molto maggiori dal loro campione, che richiede più tempo. Ma anche l'effettiva ricostruzione di quei dati richiede del tempo.

È qui che entra in gioco PtychoNN. Utilizzando tecniche di intelligenza artificiale, il team di ricercatori ha dimostrato che si può insegnare ai computer a prevedere e ricostruire le immagini dai dati a raggi X, e può farlo 300 volte più velocemente rispetto al metodo tradizionale. Più di quello, anche se, PtychoNN è in grado di accelerare il processo su entrambe le estremità.

"Ciò che proponiamo non richiede le informazioni sovrapposte di cui hanno bisogno gli algoritmi tradizionali, " disse Tao Zhou, un postdoc con l'X-ray Science Division (XSD) di Argonne e un coautore del documento. "L'intelligenza artificiale può essere addestrata per prevedere l'immagine punto a punto".

Apprendimento superiore

Invece di utilizzare immagini simulate per addestrare la rete neurale, il team ha utilizzato dati a raggi X reali presi alla linea di luce 26-ID presso l'APS, gestito da CNM. Poiché quella linea di luce è utilizzata per la nanoscienza, le sue ottiche focalizzano il fascio di raggi X fino a dimensioni molto ridotte. Per questo esperimento, il team ha ripreso un oggetto, in questo caso, un pezzo di tungsteno inciso con caratteristiche casuali e presentava a quel sistema meno informazioni di quelle normalmente necessarie per ricostruire un'immagine completa.

"Ci sono due punti chiave, " Disse Cherukara. "Se l'acquisizione dei dati è la stessa del metodo odierno, PtychoNN è 300 volte più veloce. Ma può anche ridurre la quantità di dati che devono essere acquisiti per produrre immagini".

Cherukara ha osservato che una ricostruzione eseguita con meno informazioni porta naturalmente a un'immagine di qualità inferiore, ma otterrai comunque un'immagine, dove i metodi algoritmici tradizionali non sarebbero in grado di produrne uno. Ha detto che a volte gli scienziati si scontrano con vincoli di tempo che non consentono di acquisire un set di dati completo, o campioni danneggiati in cui non è possibile l'intero set di dati, e PtychoNN può generare immagini utilizzabili anche in quelle circostanze.

Tutta questa efficienza, la squadra ha detto, fa ben sperare per PtychoNN come una nuova via da seguire dopo l'aggiornamento APS. Questo approccio consentirà l'analisi dei dati e il recupero delle immagini per tenere il passo con l'aumento dei dati. Il prossimo passo è andare oltre il proof-of-concept, generare immagini 3D complete e risolte nel tempo, e incorporare PtychoNN nel flusso di lavoro APS.

"Il prossimo passo è mostrare che funziona su più set di dati e implementarlo per l'uso quotidiano, " ha detto Ross Harder, fisico e sviluppatore principale di strumentazione di imaging di diffrazione coerente con XSD, e un coautore sul documento.

Facendo questo, Cherukara ha detto, potrebbe anche tradursi in un sistema di automiglioramento che apprende costantemente da ogni esperimento di diffrazione all'APS. Immagina un programma in esecuzione silenziosamente in background, diventando più efficiente con ogni set di dati che osserva.

Per Holt, un'innovazione come PtychoNN è una conseguenza naturale del modo in cui Argonne combina le risorse per risolvere i problemi.

"Abbiamo grandi risorse informatiche ad Argonne, e una delle migliori sorgenti luminose al mondo, e un centro che si concentra sulla nanotecnologia, " disse. "Questa è la vera forza di Argonne, che questi sono tutti nello stesso laboratorio."