La tomografia di sincrotrone avanzata è uno strumento di ricerca fondamentale, che consente agli scienziati di esplorare le complesse strutture degli oggetti con una risoluzione estremamente elevata. Poiché questa tecnica consente ai ricercatori di catturare le dinamiche in tempo reale, può catturare i cambiamenti in corso negli organismi viventi (movimenti cellulari e dinamica dei fluidi) per la ricerca medica e nei materiali, come l'osservazione della formazione di dendriti nelle batterie per comprendere le cause della riduzione della capacità ed eventuale fallimento.
La chiave per questa visione dettagliata è che la tomografia non si basa solo su una singola immagine a raggi X; invece, più immagini vengono scattate da diverse angolazioni. Queste immagini vengono quindi inserite in un computer, dove algoritmi matematici le combinano per produrre una rappresentazione digitale tridimensionale (3D) che rivela una vista incredibilmente dettagliata della struttura interna dell'oggetto.
Tuttavia, in molti casi, il numero di immagini che è possibile raccogliere è molto limitato. Ad esempio, raccogliere immagini sufficienti da un campione in rapida evoluzione può essere difficile prima che cambi forma.
Ricostruire la struttura da dati così limitati è possibile solo se nell'analisi dei dati vengono incluse ulteriori proprietà note del campione. Sfortunatamente, la modellazione di queste proprietà del campione è spesso molto impegnativa dal punto di vista computazionale e può richiedere ampie risorse computazionali che potrebbero non essere immediatamente disponibili per i ricercatori.
Per affrontare questa sfida, un team del Centro per la matematica avanzata per le applicazioni di ricerca energetica (CAMERA) del Lawrence Berkeley National Laboratory (Berkeley Lab), composto dallo scienziato del progetto Dinesh Kumar e dallo scienziato Jeffrey Donatelli della Divisione di ricerca matematica applicata e computazionale (AMCR) ) e la scienziata Dula Parkinson della struttura Advanced Light Source, hanno recentemente sviluppato un nuovo algoritmo di ricostruzione, TomoCAM, che sfrutta tecniche matematiche avanzate e calcolo basato su GPU.
Un articolo dettagliato su TomoCAM è stato pubblicato nel Journal of Synchrotron Radiation , dove è stato dimostrato che ha stabilito un nuovo record mondiale superando la velocità degli algoritmi di ricostruzione tomografica iterativa all'avanguardia esistenti.
Secondo Kumar, l'autore principale dell'articolo, gli sperimentali utilizzano in genere metodi di approssimazione diretta, come le proiezioni filtrate (FPB), per eseguire le loro ricostruzioni tomografiche. Tuttavia, questi metodi di approssimazione diretta portano spesso a ricostruzioni di bassa qualità in molti esperimenti in cui i campioni sono in evoluzione, sono suscettibili ai danni da radiazioni o la geometria sperimentale limita l'acquisizione di viste sufficienti.
In alternativa, i metodi MBIR (Model-Based Iterative Reconstruction) possono ottenere ricostruzioni di qualità molto più elevata da dati limitati e rumorosi. MBIR combina un modello matematico del processo tomografico con ipotesi plausibili sul campione per impostare un processo iterativo.
Partendo da un'ipotesi iniziale, un modello simulato del campione viene gradualmente migliorato per farlo corrispondere simultaneamente alle misurazioni dei raggi X raccolte durante l'esperimento e soddisfare le ipotesi del campione. Tuttavia, l'adozione di MBIR è stata limitata a causa delle significative risorse computazionali richieste dalle implementazioni convenzionali.
TomoCAM supera queste limitazioni dei costi computazionali riformulando gli operatori fondamentali in MBIR in termini di coefficienti di Fourier del campione, che descrivono le frequenze fondamentali della densità del campione, simili alle singole note che compongono un brano musicale.
Questi coefficienti di Fourier possono essere calcolati in modo molto efficiente utilizzando l'algoritmo non uniforme Fast Fourier Transform (NUFFT), che consente di calcolare gli operatori MBIR in TomoCAM in modo significativamente più veloce rispetto ai metodi tradizionali. Inoltre, TomoCAM sfrutta strategie avanzate di accelerazione GPU che ottimizzano lo streaming dei dati nella memoria GPU.
Queste innovazioni consentono a TomoCAM di eseguire MBIR in una frazione del tempo rispetto ai tradizionali codici MBIR, richiedendo solo risorse di calcolo modeste e comunemente disponibili. Inoltre, TomoCAM dispone di un front-end Python, che fornisce l'accesso da framework basati su Jupyter, consentendo un'integrazione diretta nei flussi di lavoro esistenti presso le strutture di sincrotrone.
"Per gli scienziati può davvero fare la differenza vedere questi risultati di alta qualità ottenuti dall'MBIR così rapidamente", ha affermato Dula Parkinson, responsabile scientifico della microtomografia presso l'ALS.
"TomoCAM consente alle persone di vedere i risultati dell'MBIR mentre raccolgono i dati molto più facilmente. Ciò consente loro di garantire che la combinazione di parametri sperimentali e di analisi sia corretta invece di sperare per il meglio e trovare problemi in seguito. E consente loro di vedere i dettagli più fini che possono guidare più chiaramente le loro decisioni sul loro piano sperimentale."
"La bellezza della matematica applicata è che spesso può portare a miglioramenti significativi delle prestazioni, non possibili attraverso il solo calcolo ad alte prestazioni", ha affermato Jeffrey Donatelli, responsabile del Mathematics for Experimental Data Analysis Group e vicedirettore di CAMERA. "Sfruttando la struttura matematica del problema, TomoCAM può accelerare significativamente il processo di inversione tomografica."
TomoCAM è disponibile per tutti i ricercatori con licenza open source. Kumar ha affermato che viene sempre più utilizzato presso l'ALS e che la National Synchrotron Light Source II presso il Brookhaven National Laboratory sta lavorando per includere TomoCAM nel loro sistema di flusso di lavoro.
Ciò fornisce alla comunità della scienza dei materiali i mezzi per espandere la portata delle misurazioni tomografiche verso misurazioni sempre più in situ e in operando, dove i campioni sono spesso in rapida evoluzione e hanno geometrie complesse:un esempio è l'indagine sulle fratture e sul deterioramento dei compositi a matrice ceramica , che sono nuovi materiali leggeri utilizzati nei motori a reazione che funzionano a temperature e pressioni elevate.
TomoCAM è un prodotto in continua evoluzione. "Stiamo cercando nuovi modi per accelerare e automatizzare ulteriormente il processo di ricostruzione tomografica sfruttando ulteriori strutture matematiche del problema e studiando nuovi metodi ibridi che sfruttano i modelli di apprendimento automatico", ha affermato Kumar.
"L'obiettivo finale è abbassare la barriera all'ingresso, accelerare la convergenza e semplificare l'uso dell'MBIR, consentendo agli scienziati dei materiali di concentrarsi sulla realizzazione di esperimenti complessi senza preoccuparsi del processo di ricostruzione."
Ulteriori informazioni: Dinesh Kumar et al, tomoCAM:ricostruzione iterativa veloce basata su modello tramite accelerazione GPU e trasformate di Fourier veloci non uniformi, Journal of Synchrotron Radiation (2023). DOI:10.1107/S1600577523008962
Fornito dal Lawrence Berkeley National Laboratory
