ニューラルネットワークがX線イメージング再構成を高速化

科学者たちは、人工知能（AI）を用いてコヒーレントX線散乱データからの画像再構成プロセスを高速化することを実証しました。従来のX線撮像技術（医療用X線画像など）は提供できる詳細度に限界があります。これにより、数ナノメートル以下の解像度で材料深部からの画像提供が可能なコヒーレントX線撮像手法の開発が進みました。これらの技術は、ビームをサンプルで回折・散乱させ、レンズなしで直接検出器に照射することでX線画像を生成します。

それら検出器が取得するデータには、高忠実度画像再構成に必要なすべての情報が含まれ、計算科学者が高度アルゴリズムでこれを実行できます。これらの画像は、より良い電池設計、より耐久性のある材料構築、より良い薬物・疾病治療開発を科学者たちに助けます。

コヒーレント散乱X線データからコンピューターで画像を組み立てるプロセスはプティ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よう学習するニューラルネットワークを使用しました。これが革新名PtychoNNの由来です。

X線ビームがサンプルに当たると、光は回折・散乱し、サンプル周囲の検出器が光を収集します。その後、科学者たちがそのデータを使用可能な情報に変換します。しかし課題は、X線ビームの光子が振幅（ビームの明るさ）と位相（サンプル通過時のビーム変化量）という二つの情報を運ぶのに対し、検出器は一つしか取得できないことです。検出器は振幅のみ検知でき、位相は検知できないため、その情報は失われ、再構成が必要になります。

これは可能ですが、プロセスは科学者たちが望むより遅いです。課題の一部はデータ取得側にあります。コヒーレント回折撮像実験から位相データを再構成するには、現在のアルゴリズムではサンプルからより多くの振幅データを収集する必要があり、時間がかかります。しかし、そのデータからの実際の再構成にも時間がかかります。ここでPtychoNNが登場します。AI技術を用いて、コンピューターがX線データから画像を予測・再構成するよう学習させ、従来法の300倍高速化できることを研究者たちは実証しました。さらに、PtychoNNは両端のプロセスを高速化できます。

先進ビジョンシステムが雲・霧を突き抜け隠れた3Dシーンを可視化微小光学デバイスが高度画像解析でバイオ分子を個別計数

センサー