Tehnikama dubokog učenja do podataka X-zraka u tri dimenzije
Tim znanstvenika iz Argonnea upotrijebio je umjetnu inteligenciju za osposobljavanje računala kako bi držali korak s ogromnom količinom podataka
Računala su već neko vrijeme u stanju brzo obraditi 2D slike. Vaš mobitel može snimati digitalne fotografije i manipulirati njima na više načina. Mnogo je teže, međutim, obraditi sliku u tri dimenzije i to učiniti na vrijeme. Matematika je složenija, a za probijanje tih brojeva, čak i na superračunalu, potrebno je vrijeme. To je izazov na kojem rade istraživači Nacionalnog laboratorija Argonne američkog Ministarstva energetike.
Novi računalni okvir
Umjetna inteligencija pojavila se kao svestrano rješenje problema obrade velikih podataka. Znanstvenicima koji Advanced Photon Source (APS) koriste za obradu 3D slika to je ključ kojim će podatke X-zraka pretvoriti u vidljive, razumljive oblike mnogo bržim tempom. Proboj na ovom području mogao bi imati implikacije na astronomiju, elektronsku mikroskopiju i druga područja znanosti ovisno o velikim količinama 3D podataka.
Tamošnji istraživači razvili su novi računalni okvir nazvan 3D-CDI-NN koji 3D vizualizacije stvara od podataka prikupljenih na APS-u stotine puta brže nego tradicionalnim metodama. Postupak je objašnjen u časopisu Applied Physics Reviews Američkog instituta za fiziku.
Kako radi sustav
CDI označava koherentno difrakcijsko snimanje, rendgensku tehniku koja uključuje odbijanje ultra-svijetlih rendgenskih zraka od uzoraka. Ti će snopovi svjetlosti detektore prikupiti kao podatke, a potrebno je i određeno računanje da bi se ti podaci pretvorili u slike.
No, ti detektori hvataju samo neke informacije iz zraka. Nedostaju neki važni podaci do kojih istraživači pokušavaju doći uz pomoć računala. Trebalo je osposobiti umjetnu inteligenciju da prepozna objekte i mikroskopske promjene kroz koje prolaze izravno iz sirovih podataka.
Kako bi to učinili, simulirali su rendgenske podatke za obuku neuronske mreže. NN u nazivu odnosi se na neuronsku mrežu, niz algoritama koji mogu naučiti računalo da predviđa ishode na temelju podataka koje prima.
Računalne simulacije korištene su za stvaranje kristala različitih oblika i veličina koji su pretvoreni u slike i uzorke difrakcije koje neuronska mreža može naučiti.
Stotine puta brža metoda
Sposobnost 3D-CDI-NN ispitana je na stvarnim rentgenskim podacima malih čestica zlata. Rezultat je računalna metoda koja je stotinama puta brža na simuliranim podacima i gotovo jednako toliko brza na stvarnim APS podacima.
Testovi su također pokazali da mreža može rekonstruirati slike s manje podataka nego što je obično potrebno za kompenziranje informacija koje detektori nisu uhvatili.
Upravo traje velika nadogradnja APS-a koji će moći generirati do 500 puta svjetlije rendgenske zrake. A to znači da će biti upravo toliko puta brži.
"Naše trenutne metode nisu dovoljne za održavanje koraka. Kako bismo u potpunosti iskoristili ono za što će nadograđeni APS biti sposoban, moramo poraditi na analizi podataka", kažu istraživači. "Strojnim učenjem postići ćemo ono što nam je sad nemoguće."
