A tomografia síncrotron avançada é uma ferramenta de pesquisa crítica, permitindo aos cientistas explorar as estruturas intrincadas dos objetos em resolução extremamente alta. Como esta técnica permite aos pesquisadores capturar dinâmicas em tempo real, ela pode capturar mudanças contínuas em organismos vivos (movimentos celulares e dinâmica de fluidos) para pesquisa médica e em materiais, como observar a formação de dendritos em baterias para compreender as causas da redução de capacidade e eventual fracasso.



A chave para esta visão detalhada é que a tomografia não depende apenas de uma única imagem de raio X; em vez disso, várias imagens são tiradas de ângulos diferentes. Essas imagens são então alimentadas em um computador, onde algoritmos matemáticos as combinam para produzir uma representação digital tridimensional (3D) que revela uma visão incrivelmente detalhada da estrutura interna do objeto.

Contudo, em muitos casos, o número de imagens que podem ser recolhidas é muito limitado. Por exemplo, coletar imagens suficientes de uma amostra em rápida evolução pode ser um desafio antes que ela mude de forma.

A reconstrução da estrutura a partir de dados tão limitados só é possível se propriedades adicionais conhecidas da amostra forem incluídas na análise dos dados. Infelizmente, a modelagem dessas propriedades de amostra costuma ser muito intensiva em termos computacionais e pode exigir extensos recursos computacionais que podem não estar prontamente disponíveis para os pesquisadores.

Para enfrentar esse desafio, uma equipe do Centro de Matemática Avançada para Aplicações de Pesquisa Energética (CAMERA) do Laboratório Nacional Lawrence Berkeley (Berkeley Lab), composta pelo cientista do projeto Dinesh Kumar e pelo cientista da equipe Jeffrey Donatelli da Divisão de Matemática Aplicada e Pesquisa Computacional (AMCR ) e a cientista Dula Parkinson, da instalação Advanced Light Source, desenvolveram recentemente um novo algoritmo de reconstrução, TomoCAM, que aproveita técnicas matemáticas avançadas e computação baseada em GPU.

Um artigo detalhando o TomoCAM foi publicado no Journal of Synchrotron Radiation , onde foi demonstrado que estabeleceu um novo recorde mundial ao superar a velocidade dos algoritmos de reconstrução tomográfica iterativos de última geração existentes.

De acordo com Kumar, autor principal do artigo, os experimentalistas normalmente usam métodos de aproximação direta, como projeções filtradas (FPB), para fazer suas reconstruções tomográficas. No entanto, estes métodos de aproximação direta frequentemente levam a reconstruções de baixa qualidade em muitos experimentos onde as amostras estão evoluindo, são suscetíveis a danos por radiação ou a geometria experimental restringe a aquisição de visualizações suficientes.

Alternativamente, os métodos de reconstrução iterativa baseada em modelo (MBIR) podem obter reconstruções de qualidade muito superior a partir de dados limitados e ruidosos. O MBIR combina um modelo matemático do processo tomográfico com suposições fundamentadas sobre a amostra para configurar um processo iterativo.

Começando com uma estimativa inicial, um modelo simulado da amostra é gradualmente melhorado para que corresponda simultaneamente às medições de raios X coletadas durante o experimento e satisfaça as suposições da amostra. No entanto, a adoção do MBIR tem sido limitada devido aos significativos recursos computacionais exigidos pelas implementações convencionais.

O TomoCAM supera essas limitações de custo computacional reformulando os operadores fundamentais no MBIR em termos dos coeficientes de Fourier da amostra, que descrevem as frequências fundamentais da densidade da amostra, semelhantes às notas individuais que compõem uma peça musical.

Esses coeficientes de Fourier podem ser calculados de forma muito eficiente usando o algoritmo não uniforme Fast Fourier Transform (NUFFT), que permite que os operadores MBIR no TomoCAM sejam calculados significativamente mais rápido do que os métodos tradicionais. Além disso, o TomoCAM aproveita estratégias avançadas de aceleração de GPU que otimizam o streaming de dados para a memória da GPU.

Essas inovações permitem que o TomoCAM execute MBIR em uma fração do tempo em comparação com os códigos MBIR tradicionais, exigindo apenas recursos computacionais modestos e comumente disponíveis. Além disso, o TomoCAM possui um front-end Python, que fornece acesso a estruturas baseadas em Jupyter, permitindo integração direta em fluxos de trabalho existentes em instalações síncrotron.

“Pode realmente fazer a diferença para os cientistas ver estes resultados de alta qualidade do MBIR tão rapidamente”, disse Dula Parkinson, cientista-chefe de microtomografia da ALS.

"O TomoCAM permite que as pessoas vejam os resultados do MBIR à medida que coletam dados com muito mais facilidade. Isso permite que garantam que a combinação de parâmetros experimentais e de análise esteja correta, em vez de esperar pelo melhor e encontrar problemas mais tarde. E permite que vejam os pequenos detalhes que podem orientar suas decisões sobre seu plano experimental com mais clareza."

"A beleza da matemática aplicada é que muitas vezes ela pode levar a melhorias significativas de desempenho que não são possíveis apenas através da computação de alto desempenho", disse Jeffrey Donatelli, líder do Grupo de Matemática para Análise de Dados Experimentais e vice-diretor do CAMERA. “Ao explorar a estrutura matemática do problema, o TomoCAM pode acelerar significativamente o processo de inversão tomográfica”.

O TomoCAM está disponível para todos os pesquisadores sob uma licença de código aberto. Kumar disse que está sendo cada vez mais usado no ALS, e a Fonte Nacional de Luz Síncrotron II no Laboratório Nacional de Brookhaven está trabalhando para incluir o TomoCAM em seu sistema de fluxo de trabalho.

Isto fornece à comunidade da ciência de materiais os meios para expandir o escopo das medições tomográficas para medições cada vez mais in situ e in operando, onde as amostras muitas vezes evoluem rapidamente e têm geometrias complexas - um exemplo é a investigação das fraturas e deterioração dos compósitos de matriz cerâmica , que são novos materiais leves usados ​​em motores a jato que operam sob altas temperaturas e pressão.

TomoCAM é um produto em constante evolução. “Estamos buscando novas maneiras de acelerar e automatizar ainda mais o pipeline de reconstrução tomográfica, explorando estruturas matemáticas adicionais do problema e investigando novos métodos híbridos que aproveitem modelos de aprendizado de máquina”, disse Kumar.

“O objetivo final é diminuir a barreira de entrada, acelerar a convergência e simplificar o uso do MBIR, permitindo que os cientistas de materiais se concentrem na realização de experimentos complexos sem se preocuparem com o processo de reconstrução.”

Mais informações: Dinesh Kumar et al, tomoCAM:reconstrução iterativa baseada em modelo rápido via aceleração de GPU e transformadas rápidas não uniformes de Fourier, Journal of Synchrotron Radiation (2023). DOI:10.1107/S1600577523008962
Fornecido pelo Laboratório Nacional Lawrence Berkeley