より高速なX線イメージングのためのニューラルネットワークの使用
科学者たちは、コヒーレントX線散乱データから画像を再構成するプロセスを高速化するための人工知能（AI）の使用を実証しました。従来のX線画像技術（医療用X線画像など）は、提供できる詳細の量に制限があります。これにより、材料の深部から数ナノメートル以下の解像度で画像を提供できるコヒーレントX線イメージング法が開発されました。これらの技術は、サンプルから直接検出器にビームを回折または散乱させることにより、レンズを必要とせずにX線画像を生成します。
これらの検出器によってキャプチャされたデータには、忠実度の高い画像を再構築するために必要なすべての情報が含まれており、計算科学者は高度なアルゴリズムを使用してこれを行うことができます。これらの画像は、科学者がより優れた電池を設計し、より耐久性のある材料を構築し、病気に対するより優れた医薬品や治療法を開発するのに役立ちます。
コンピューターを使用してコヒーレントな散乱X線データから画像を組み立てるプロセスはプチコグラフィーと呼ばれ、チームはそのデータをコヒーレントな形に引き出す方法を学習する神経回路網を使用しました。そのため、イノベーションの名前はPtychoNNです。
X線ビームがサンプルに当たると、光は回折および散乱し、サンプルの周囲の検出器がその光を収集します。そのデータを使用可能な情報に変換するのは科学者次第です。ただし、課題は、X線ビームの光子が2つの情報（ビームの振幅または明るさ、およびビームがサンプルを通過するときに変化する位相または量）を伝達するのに対し、検出器のみであるということです。 1つをキャプチャします。検出器は振幅しか検出できず、位相も検出できないため、その情報はすべて失われるため、再構築する必要があります。
それは可能ですが、プロセスは科学者が望むよりも遅いです。課題の一部は、データ取得の終わりにあります。コヒーレント回折イメージング実験から位相データを再構築するために、現在のアルゴリズムでは、科学者がサンプルからはるかに多くの振幅データを収集する必要がありますが、これには時間がかかります。しかし、そのデータからの実際の再構築にも時間がかかります。そこでPtychoNNが登場します。研究者たちは、AI技術を使用して、X線データから画像を予測および再構築するようにコンピューターを教えることができ、従来の方法よりも300倍高速に実行できることを実証しました。それ以上に、PtychoNNは両端のプロセスをスピードアップすることができます。
センサー