通过深度学习将X射线数据转换成3D图像

阿贡国家实验室的一组科学家开发了一种新方法，在人工智能的帮助下，将 X 射线数据转换成可见的3D图像。这个 study ，发表于 应用物理评论 ，开发了一个计算框架，能够从实验室的高级光子源（ APS ）获取数据，并以比传统方法快数百倍的速度创建三维可视化。

“为了充分利用升级后的 AP 的功能，我们必须重新设计数据分析。我们目前的方法不足以跟上。机器学习可以充分利用并超越目前的可能，”阿贡大学的计算科学家、该研究的合著者马修·切鲁卡拉在一份新闻稿中说。

这一进步可能对依赖大量 3D 数据的许多研究领域产生广泛的好处，从天文学到纳米级成像。

APS 被称为世界上技术最复杂的机器之一，它使用极其明亮的 X 射线束帮助研究人员在分子和原子水平上观察材料的结构。当这些光束从物体上反弹时，探测器以数据的形式收集它们。经过时间和复杂的计算，这些数据被转换成图像，显示出物体的结构。

然而，探测器无法捕获所有光束数据，留下丢失的信息片段。研究人员通过使用神经网络来填补这一空白，神经网络训练计算机模型，以根据输入的原始数据识别对象并可视化图像。

对于 3D 图像，由于处理的信息量很大，这可能非常及时。

“我们利用计算机模拟创造出不同形状和大小的晶体，并将它们转换成图像和衍射图案，供神经网络学习。阿贡博士后研究员、该研究的合著者亨利·陈（ Henry Chan ）说：“模拟的好处是可以很容易地快速生成许多用于训练的真实晶体。”。

新计算框架（称为 3D-CDI-NN ）的工作是使用阿贡系统评估联合实验室的 GPU 资源开发的，包括 NVIDIA A100 and RTX 8000 GPUs.

“这张纸……大大简化了成像过程。我们想知道一种材料是什么，以及它是如何随时间变化的，这将有助于我们在进行测量时更好地了解它，”该研究的合著者、阿贡材料科学部门的物理学家 Stephan Hruszkewycz 说。

关于作者

Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

审核编辑：郭婷

人工智能神经网络图像3D

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。