Os computadores já conseguem processar imagens 2D rapidamente há algum tempo. Seu telefone celular pode tirar fotos digitais e manipulá-las de várias maneiras. Muito mais difícil, Contudo, está processando uma imagem em três dimensões, e fazê-lo em tempo hábil. A matemática é mais complexa, e analisando esses números, mesmo em um supercomputador, leva tempo.

Esse é o desafio que um grupo de cientistas do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) está trabalhando para superar. A inteligência artificial surgiu como uma solução versátil para os problemas colocados pelo processamento de big data. Para cientistas que usam a Advanced Photon Source (APS), um DOE Office of Science User Facility em Argonne, para processar imagens 3D, pode ser a chave para tornar os dados de raios-X visíveis, formas compreensíveis em um ritmo muito mais rápido. Um avanço nesta área pode ter implicações para a astronomia, microscopia eletrônica e outras áreas da ciência que dependem de grandes quantidades de dados 3D.

"Para fazer uso total do que o APS atualizado será capaz, temos que reinventar a análise de dados. Nossos métodos atuais não são suficientes para acompanhar. O aprendizado de máquina pode fazer uso total e ir além do que é possível atualmente, "diz Mathew Cherukara do Laboratório Nacional de Argonne

A equipe de pesquisa, que inclui cientistas de três divisões de Argonne, desenvolveu uma nova estrutura computacional chamada 3D-CDI-NN, e mostrou que pode criar visualizações 3D a partir de dados coletados no APS centenas de vezes mais rápido do que os métodos tradicionais. A pesquisa da equipe foi publicada em Avaliações de Física Aplicada , uma publicação do American Institute of Physics.

CDI significa imagem de difração coerente, uma técnica de raios-X que envolve a projeção de feixes de raios-X ultrabrilhantes das amostras. Esses feixes de luz serão então coletados por detectores como dados, e é necessário algum esforço computacional para transformar esses dados em imagens. Parte do desafio, explica Mathew Cherukara, líder do grupo Computational X-ray Science na Argonne's X-ray Science Division (XSD), é que os detectores capturam apenas algumas das informações dos feixes.

Mas há informações importantes contidas nos dados ausentes, e os cientistas contam com computadores para preencher essas informações. Como Cherukara observa, embora isso leve algum tempo para fazer em 2D, leva ainda mais tempo para fazer com imagens 3D. A solução, então, é treinar uma inteligência artificial para reconhecer objetos e as mudanças microscópicas que eles sofrem diretamente a partir dos dados brutos, sem ter que preencher as informações que faltam.

Para fazer isso, a equipe começou com dados de raios-X simulados para treinar a rede neural. O NN no título da estrutura, uma rede neural é uma série de algoritmos que podem ensinar um computador a prever resultados com base nos dados que recebe. Henry Chan, o autor principal do artigo e pesquisador de pós-doutorado no Center for Nanoscale Materials (CNM), um DOE Office of Science User Facility em Argonne, liderou esta parte do trabalho.

"Usamos simulações de computador para criar cristais de diferentes formas e tamanhos, e os convertemos em imagens e padrões de difração para a rede neural aprender, "Chan disse." A facilidade de gerar rapidamente muitos cristais realistas para treinamento é o benefício das simulações. "

Este trabalho foi feito usando os recursos da unidade de processamento gráfico do Laboratório Conjunto de Avaliação de Sistemas da Argonne, que implanta testbeds de ponta para permitir a pesquisa em plataformas e recursos emergentes de computação de alto desempenho.

Uma vez que a rede é treinada, diz Stephan Hruszkewycz, físico e líder de grupo com a Divisão de Ciência de Materiais da Argonne, pode chegar muito perto da resposta certa, muito rapidamente. Contudo, ainda há espaço para refinamento, portanto, a estrutura 3D-CDI-NN inclui um processo para levar a rede até lá. Hruszkewycz, junto com o estudante de graduação da Northwestern University Saugat Kandel, trabalhou neste aspecto do projeto, o que reduz a necessidade de etapas iterativas demoradas.

"A Divisão de Ciência de Materiais se preocupa com a difração coerente porque você pode ver materiais em escalas de comprimento de poucos nanômetros - cerca de 100, 000 vezes menor do que a largura de um cabelo humano - com raios-X que penetram nos ambientes, "Hruszkewycz disse." Este artigo é uma demonstração desses métodos avançados, e facilita muito o processo de imagem. Queremos saber o que é um material, e como isso muda com o tempo, e isso nos ajudará a tirar melhores fotos enquanto fazemos as medições. "

Como uma etapa final, A capacidade do 3D-CDI-NN de preencher as informações ausentes e chegar a uma visualização 3D foi testada em dados reais de raios-X de minúsculas partículas de ouro, coletados na linha 34-ID-C no APS. O resultado é um método computacional centenas de vezes mais rápido em dados simulados, e quase tão rápido em dados APS reais. Os testes também mostraram que a rede pode reconstruir imagens com menos dados do que normalmente é necessário para compensar as informações não capturadas pelos detectores.

A próxima etapa desta pesquisa, de acordo com Chan, é integrar a rede ao fluxo de trabalho do APS, para que aprenda com os dados à medida que são coletados. Se a rede aprender com os dados da linha de luz, ele disse, ele irá melhorar continuamente.

Para esta equipe, há um elemento de tempo para essa pesquisa também. Como Cherukara aponta, uma grande atualização do APS está em andamento, e a quantidade de dados gerados agora aumentará exponencialmente quando o projeto for concluído. O APS atualizado irá gerar feixes de raios-X que são até 500 vezes mais brilhantes, e a coerência do feixe - a característica da luz que permite que ela difrate de uma forma que codifique mais informações sobre a amostra - será bastante aumentada.

Isso significa que, embora demore de dois a três minutos agora para reunir dados de imagem de difração coerentes de uma amostra e obter uma imagem, a parte de coleta de dados desse processo em breve será até 500 vezes mais rápida. O processo de conversão desses dados em uma imagem utilizável também precisa ser centenas de vezes mais rápido do que agora.

"Para fazer uso total do que o APS atualizado será capaz, temos que reinventar a análise de dados, "Cherukara disse." Nossos métodos atuais não são suficientes para acompanhar. O aprendizado de máquina pode fazer uso total e ir além do que é possível atualmente. "

Além de Chan, Cherukara e Hruszkewycz, os autores do artigo incluem Subramanian Sankaranarayanan e Ross Harder, ambos de Argonne; Youssef Nashed do SLAC National Accelerator Laboratory; e Saugat Kandel da Northwestern University.