Ein Team der Chinesischen Akademie der Wissenschaften nutzt KI-Trainingstechnologie für große Modelle, um riesige Synchrotronstrahlungsdaten zu verarbeiten

Ohne die ursprüngliche Bedeutung zu ändern, lautet der Satz, der ins Chinesische umgeschrieben werden muss: Bearbeiten|. Die kohärente Beugungsbildgebungstechnologie wird in der Forschung in verschiedenen wissenschaftlichen Bereichen wie Materialien, Leben, Halbleiter und Energie häufig eingesetzt.

Die neue Generation von Synchrotronstrahlungslichtquellen kann Röntgenstrahlen mit hoher Kohärenz und hoher Helligkeit liefern und fördert so die Entwicklung der kohärenten Bildgebungstechnologie in Richtung Hochdurchsatz und Mehrdimensionalität, wodurch sich die Ptychographie hervorragend für die Feinstrukturforschung und Funktionscharakterisierung eignet von großvolumigen Proben Anwendungsperspektiven. Neue experimentelle Modelle und Anwendungsszenarien haben jedoch technische Herausforderungen für die Online-Analyse großer Datenmengen mit sich gebracht. Die Menge der ursprünglichen Beugungsmusterdaten für ein einzelnes Experiment kann das PB-Niveau erreichen und wird zu einer der größten Datenquellen für wissenschaftliche Experimente -Generation-Synchrotronstrahlung-Lichtquelle. Darüber hinaus ist das Problem der Phasenwiederherstellung auch eines der schwierigsten Probleme auf dem Gebiet der Verarbeitung von Synchrotronstrahlungsdaten.

Als leistungsstarkes Werkzeug für die Analyse und Verarbeitung großer Datenmengen behalten Methoden der künstlichen Intelligenz die Vorteile traditioneller Algorithmen bei und unterstreichen deren Fähigkeiten bei der Online-Analyse umfangreicher experimenteller Daten.

Als relativ zeitaufwändige Scan-Bildgebungstechnologie besteht eines der Hauptziele der Ptychographie darin, eine Echtzeitanalyse zu erreichen. Der aktuelle traditionelle Ptychographie-Rekonstruktionsalgorithmus ist jedoch schwierig, die Anforderungen der Online-Rekonstruktion zu erfüllen. Basierend auf dem Faltungs-Neuronalen Netzwerk schlug das Forschungsteam eine Decoderstruktur für ein gruppiertes Faltungs-Neuronales Netzwerk vor, die das Training und die Rekonstruktion des Netzwerks beschleunigt und den Rekonstruktionseffekt verbessert. Neuronale Netze können lernen, Beugungsmuster auf reale Objekte abzubilden. Dank der weiteren Verbesserung des Volumens und der Qualität der Lichtquellendaten in der Zukunft werden der Netzwerkumfang, das Parametervolumen und das Trainingsdatenvolumen weiter zunehmen, was die Leistung und Generalisierungsfähigkeiten des Netzwerks verbessern wird. Das Beamline-Softwareteam der High Energy Synchrotron Radiation Source (HEPS) der Chinesischen Akademie der Wissenschaften hat ein Faltungs-Neuronales Netzwerk-Framework namens PtyNet entwickelt, um genaue Projektionen von Objekten aus experimentellen Daten der Röntgen-Ptychographie wiederherzustellen. Mit der Unterstützung eines leistungsstarken Rechenclusters kann PtyNet schnell Daten von Synchrotronstrahlungslichtquellen für das Training abrufen und Bilder der experimentellen Daten der Benutzer schnell rekonstruieren „Effiziente Ptychographie-Rekonstruktionsstrategie zur Feinabstimmung vorab trainierter Deep-Learning-Modelle“, veröffentlicht im iScience-Magazin am 9. November 2023

Papierlink:

https://doi.org/10.1016/j.isci. 2023.108420

Da die durch verschiedene experimentelle Daten wiederhergestellten Zielobjekte unterschiedlich sind, führte das Team außerdem eine Feinabstimmungsstrategie ein, um die Netzwerkparameter weiter zu optimieren. Die unbeaufsichtigte Feinabstimmungsstrategie ermöglicht dem Netzwerk eine stärkere Generalisierungsfähigkeit und eine höhere Rekonstruktionsauflösung. Synchrotronstrahlungsquellen können dem Netzwerk ausreichend Daten liefern, um ein leistungsfähigeres vorab trainiertes Modell zu erhalten. Selbst für eine neue Probe, die nicht im Netzwerk erscheint, kann das Netzwerk erfolgreich rekonstruiert werden (Abbildung 2).

Der Inhalt, der neu geschrieben werden muss, ist: Das zweite Bild

In Zukunft wird das Team weiterhin an der Anwendung von Faltungs-Neuronalen Netzen auf dem Gebiet der röntgenkohärenten Bildgebung forschen. Mithilfe von Feinabstimmungs- und Großmodellstrategien wurde ein großes Modell kohärenter Bildgebung entwickelt. Das Modell selbst kann verschiedene Bildgebungsaufgaben identifizieren und Wiederherstellungsergebnisse liefern. Für die Echtzeitrekonstruktion müssen Benutzer nur eine kleine Anzahl von Linienstationsparametern eingeben.

HEPS stellt sich der Herausforderung von Daten im EB-Maßstab in der Zukunft und fördert aktiv das innovative wissenschaftliche Forschungsparadigma „Large Scale Scientific Software Framework + AI for Science“ und hat ein professionelles wissenschaftliches Softwareteam zur Durchführung großer experimenteller Kontrollen gegründet Datenerfassung und bereichsübergreifende Forschung in den Bereichen Verarbeitung, künstliche Intelligenz, modernste Subjektalgorithmen, mehrskalige Bildverarbeitung und Data Mining haben den Grundstein für die Konstruktion „intelligenter Lichtquellen“ gelegt.

Das obige ist der detaillierte Inhalt vonEin Team der Chinesischen Akademie der Wissenschaften nutzt KI-Trainingstechnologie für große Modelle, um riesige Synchrotronstrahlungsdaten zu verarbeiten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!