Uma equipe de cientistas de Argonne está usando inteligência artificial para decodificar imagens de raios-X mais rapidamente, que poderia ajudar em inovações na medicina, materiais e energia.

Parece um despacho de um futuro distante:um sistema de computador que não pode apenas reconstruir imagens de resmas de dados de raios-X centenas de vezes a velocidade dos métodos atuais, mas pode aprender com a experiência e projetar maneiras melhores e mais eficientes de calcular essas reconstruções. Mas com a próxima geração de fontes de luz de raios-X no horizonte - e com eles, um grande aumento na quantidade de dados que irão gerar - os cientistas têm um motivo para perseguir esse futuro, e rapidamente.

Em um artigo recente publicado em Cartas de Física Aplicada , uma equipe de cientistas da computação de duas instalações de usuários do Office of Science do Departamento de Energia dos EUA (DOE) no Laboratório Nacional de Argonne do DOE - a Advanced Photon Source (APS) e o Center for Nanoscale Materials (CNM) - demonstraram o uso de inteligência artificial ( AI) para acelerar o processo de reconstrução de imagens a partir de dados coerentes de espalhamento de raios-X.

As técnicas tradicionais de imagem por raios-X (como imagens médicas de raios-X) são limitadas na quantidade de detalhes que podem fornecer. Isso levou ao desenvolvimento de métodos coerentes de imagem de raios-X que são capazes de fornecer imagens de materiais profundos com resolução de alguns nanômetros ou menos. Essas técnicas geram imagens de raios-X sem a necessidade de lentes, difratando ou espalhando o feixe de amostras diretamente nos detectores.

Os dados capturados por esses detectores têm todas as informações necessárias para reconstruir imagens de alta fidelidade, e os cientistas da computação podem fazer isso com algoritmos avançados. Essas imagens podem ajudar os cientistas a projetar baterias melhores, construir materiais mais duráveis ​​e desenvolver melhores medicamentos e tratamentos para doenças.

O processo de usar computadores para montar imagens de dados coerentes de raios-X espalhados é chamado de pticografia, e a equipe usou uma rede neural que aprende como extrair esses dados de uma forma coerente. Daí o nome de sua inovação:PtychoNN.

"A gênese disso remonta a alguns anos, "disse Mathew Cherukara, o primeiro autor no artigo e um cientista da computação que trabalhou tanto na APS quanto na CNM.

O APS está programado para passar por uma grande atualização nos próximos anos, que aumentará o brilho de seus feixes de raios-X em até 500 vezes. Um aumento semelhante nos dados é esperado, e os métodos computacionais atuais de reconstrução de imagens já estão lutando para acompanhar o ritmo.

"Estávamos preocupados que, após a atualização, as taxas de dados serão muito grandes para os métodos tradicionais de análise de imagens funcionarem, "Cherukara disse." Métodos de inteligência artificial podem acompanhar, e produzir imagens centenas de vezes mais rápido do que o método tradicional. "

O PtychoNN também resolve um dos maiores problemas que os cientistas da computação enfrentam em experimentos de espalhamento de raios-X:o problema da fase.

Desafio aceito

Imagine uma piscina olímpica, cheio de nadadores. Agora imagine olhar para o reflexo da luz da água no teto do edifício, logo acima da piscina. Se alguém lhe pedisse para descobrir, apenas a partir daquelas cintilações de luz no teto, onde os nadadores estão na piscina, você poderia fazer isso?

Este, de acordo com Martin Holt, é como é reconstruir uma imagem a partir de dados coerentes de espalhamento de raios-X. Holt é um líder de grupo interino na CNM e um dos autores do artigo PtychoNN. Seu trabalho é usar sistemas de computador sofisticados para construir imagens de dados de fótons espalhados - ou, essencialmente, para olhar o reflexo da água no teto e fazer uma imagem dos nadadores.

Quando um feixe de raios-X atinge uma amostra, a luz é difratada e se espalha, e os detectores ao redor da amostra coletam essa luz. Então, cabe a Holt e a cientistas como ele transformar esses dados em informações que os cientistas possam usar. O desafio, Contudo, é que enquanto os fótons no feixe de raios-X carregam duas informações - a amplitude, ou o brilho do feixe, e a fase, ou quanto o feixe muda quando passa pela amostra - os detectores capturam apenas um.

"Porque os detectores podem detectar apenas a amplitude e não podem detectar a fase, todas as informações são perdidas, "Holt disse:" Então, precisamos reconstruí-lo. "

A boa notícia é que os cientistas podem fazer isso. A má notícia é que o processo é mais lento do que os cientistas gostariam. Parte do desafio está no final da aquisição de dados. A fim de reconstruir os dados de fase de experimentos de imagem de difração coerente, os algoritmos atuais exigem que os cientistas coletem muito mais dados de amplitude de sua amostra, o que leva mais tempo. Mas a reconstrução real a partir desses dados também leva algum tempo.

É aqui que entra o PtychoNN. Usando técnicas de IA, a equipe de pesquisadores demonstrou que os computadores podem ser ensinados a prever e reconstruir imagens de dados de raios-X, e pode fazer isso 300 vezes mais rápido do que o método tradicional. Mais que isso, no entanto, PtychoNN é capaz de acelerar o processo em ambas as extremidades.

"O que estamos propondo não requer a sobreposição de informações de que os algoritmos tradicionais precisam, "disse Tao Zhou, pós-doutorado na Divisão de Ciência de Raios-X (XSD) de Argonne e co-autor do artigo. "A IA pode ser treinada para prever a imagem ponto a ponto."

Ensino superior

Em vez de usar imagens simuladas para treinar a rede neural, a equipe usou dados reais de raios-X obtidos na linha de luz 26-ID no APS, operado pela CNM. Uma vez que a linha de luz é usada para nanociência, sua ótica focaliza o feixe de raios-X em um tamanho muito pequeno. Para este experimento, a equipe fez a imagem de um objeto - neste caso, um pedaço de tungstênio gravado com características aleatórias - e apresentou ao sistema menos informações do que normalmente seria necessário para reconstruir uma imagem completa.

"Existem duas lições importantes, "Cherukara disse." Se a aquisição de dados for igual ao método de hoje, PtychoNN é 300 vezes mais rápido. Mas também pode reduzir a quantidade de dados que precisam ser adquiridos para produzir imagens. "

Cherukara observou que uma reconstrução realizada com menos informações naturalmente leva a uma imagem de pior qualidade, mas você ainda terá uma imagem, onde os métodos algorítmicos tradicionais não seriam capazes de produzir um. Ele disse que os cientistas às vezes se deparam com limitações de tempo que não permitem a captura de um conjunto completo de dados, ou amostras danificadas nas quais o conjunto de dados completo não é possível, e PtychoNN pode gerar imagens utilizáveis ​​mesmo nessas circunstâncias.

Toda essa eficiência, a equipe disse, é um bom presságio para o PtychoNN como um novo caminho a seguir após a atualização do APS. Essa abordagem permitirá a análise de dados e a recuperação de imagens para acompanhar o aumento dos dados. A próxima etapa é ir além da prova de conceito, gerar imagens 3D completas e resolvidas com tempo, e incorporar PtychoNN ao fluxo de trabalho APS.

"O que vem a seguir é mostrar que ele funciona em mais conjuntos de dados e implementá-lo para o uso diário, "disse Ross Harder, físico e desenvolvedor líder de instrumentação de imagem de difração coerente com XSD, e um co-autor no artigo.

Fazendo isso, Cherukara disse, poderia até mesmo resultar em um sistema de autoaperfeiçoamento que está constantemente aprendendo com todos os experimentos de difração no APS. Ele imagina um programa rodando silenciosamente em segundo plano, tornando-se mais eficiente com cada conjunto de dados que observa.

Para Holt, uma inovação como PtychoNN é uma conseqüência natural da maneira como Argonne combina recursos para resolver problemas.

"Temos ótimos recursos de computação na Argonne, e uma das melhores fontes de luz do mundo, e um centro que se concentra em nanotecnologia, "disse ele." Essa é a verdadeira força de Argonne, que estão todos no mesmo laboratório. "