Une équipe de l'Académie chinoise des sciences utilise la technologie de formation de grands modèles d'IA pour traiter des données massives de rayonnement synchrotron

Sans changer le sens original, la phrase qui doit être réécrite en chinois est : Edit| La technologie d'imagerie par diffraction cohérente a été largement utilisée dans la recherche dans divers domaines scientifiques tels que les matériaux, la vie, les semi-conducteurs et l'énergie.

La nouvelle génération de source lumineuse à rayonnement synchrotron peut fournir des rayons X de haute cohérence et de haute luminosité, favorisant le développement d'une technologie d'imagerie cohérente dans le sens d'un haut débit et multidimensionnel, rendant la ptychographie excellente dans la recherche de structures fines et la caractérisation fonctionnelle. d'échantillons en grand volume Perspectives d'application. Cependant, de nouveaux modèles expérimentaux et scénarios d'application ont posé des défis techniques à l'analyse en ligne de données massives. La quantité de données de diagramme de diffraction originales pour une seule expérience peut atteindre le niveau PB, devenant ainsi l'une des plus grandes sources de données pour les expériences scientifiques du quatrième. -Source de lumière à rayonnement synchrotron de première génération. De plus, son problème de récupération de phase est également l’un des problèmes les plus difficiles dans le domaine du traitement des données de rayonnement synchrotron.

En tant qu'outil puissant d'analyse et de traitement du Big Data, les méthodes d'intelligence artificielle conservent les avantages des algorithmes traditionnels et mettent en valeur leurs capacités d'analyse en ligne de données expérimentales massives.

En tant que technologie d'imagerie par balayage relativement longue, l'un des principaux objectifs de la ptychographie est de réaliser une analyse en temps réel. Cependant, l’algorithme de reconstruction ptychographique traditionnel actuel est difficile à répondre aux besoins de reconstruction en ligne. Sur la base du réseau neuronal convolutif, l'équipe de recherche a proposé une structure de décodeur de réseau neuronal convolutif groupé, qui accélère la formation et la reconstruction du réseau et améliore l'effet de reconstruction. Les réseaux de neurones peuvent apprendre à cartographier des modèles de diffraction vers des objets réels. Grâce à l'amélioration future du volume et de la qualité des données des sources lumineuses, l'échelle du réseau, le volume des paramètres et le volume des données de formation augmenteront encore, ce qui améliorera les performances et les capacités de généralisation du réseau. L'équipe logicielle de la ligne de lumière HEPS (High Energy Synchrotron Radiation Source) de l'Académie chinoise des sciences a développé un cadre de réseau neuronal convolutif appelé PtyNet pour récupérer des projections précises d'objets à partir de données expérimentales de ptychographie à rayons X. Avec le soutien d'un puissant cluster informatique, PtyNet peut rapidement obtenir des données provenant de sources lumineuses à rayonnement synchrotron pour la formation et reconstruire rapidement des images des données expérimentales des utilisateurs

Figure 1

La recherche est intitulée "En analysant à grande échelle « Stratégie efficace de reconstruction de ptychographie pour la mise au point de modèles d'apprentissage profond pré-entraînés », publié dans le magazine iScience le 9 novembre 2023

Lien papier :

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

Étant donné que les objets cibles récupérés par différentes données expérimentales sont différents, l'équipe a également introduit une stratégie de réglage fin pour optimiser davantage les paramètres du réseau. La stratégie de réglage fin non supervisé permet au réseau d'avoir une capacité de généralisation plus forte et une résolution de reconstruction plus élevée. Les sources de rayonnement synchrotron peuvent fournir au réseau suffisamment de données pour obtenir un modèle pré-entraîné plus puissant. Même pour un nouvel échantillon qui n’apparaît pas dans le réseau, le réseau peut être reconstruit avec succès (Figure 2).

Le contenu qui doit être réécrit est : La deuxième image

À l'avenir, l'équipe continuera à mener des recherches sur l'application des réseaux neuronaux convolutifs au domaine de l'imagerie cohérente aux rayons X. En utilisant des stratégies de réglage fin et de grands modèles, un grand modèle d’imagerie cohérente a été développé. Le modèle lui-même peut identifier différentes tâches d'imagerie et donner des résultats de récupération. Les utilisateurs n'ont qu'à saisir un petit nombre de paramètres de station d'assemblage pour une reconstruction en temps réel.

Face au défi des données à l'échelle EB à l'avenir, HEPS promeut activement le paradigme de recherche scientifique innovant du « Cadre logiciel scientifique à grande échelle + IA pour la science » et a créé une équipe de logiciels scientifiques professionnels pour effectuer un contrôle expérimental, grand La collecte de données et la recherche interdisciplinaire en matière de traitement, d'intelligence artificielle, d'algorithmes de pointe, de traitement d'images multi-échelles et d'exploration de données ont jeté les bases de la construction de « sources de lumière intelligentes ».

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!