Ett internationellt team av forskare som inkluderar forskare från Berkeley Labs Computational Research Division (CRD) och Center for Advanced Mathematics for Energy Research Applications (CAMERA) fortsätter att hitta nya sätt att förbättra ptychographic bildrekonstruktion.

I vetenskapliga experiment, ptykografisk röntgenbildning används främst för att karakterisera struktur och egenskaper hos material och material. Även om metoden har funnits i cirka 50 år, bred användning har försvårats av det faktum att experimentprocessen var långsam och beräkningsbehandlingen av data för att producera en rekonstruerad bild var dyr.

Men under de senaste åren har framsteg inom detektorer och röntgenmikroskop vid ljuskällor som Berkeley Labs Advanced Light Source (ALS) gjort det möjligt att mäta en ptychographic dataset på sekunder. Som ett resultat, idag används ptychography inom en rad vetenskapliga områden, inklusive kondenserad fysik, cellbiologi och elektronik.

I praktiken, Röntgenptykografi fungerar genom att fokusera en stråle av röntgenstrålar på en plats i ett prov. Spridningen från provet registreras i det bortre fältet, och det inspelade mönstret fasas sedan för att erhålla den slutliga bilden. Den högsta möjliga upplösningen begränsas inte av brännpunktens storlek, endast med den numeriska bländaren och våglängden som används. Fasningsproceduren i ptykografi använder överlappningen mellan på varandra följande exponeringar av provet, plus de inspelade fjärrfältdiffraktionsmönstren, för att rekonstruera en högupplöst bild av provet.

Som ett resultat, rekonstruera ptychographic datamängder kan vara en datakrävande utmaning som innebär att lösa ett svårt fashämtningsproblem, kalibrera optiska element och hantera experimentella outliers och "brus". För att hantera denna utmaning, Berkeley Labs forskare utvecklade SHARP (skalbar heterogen adaptiv realtidsptychography), ett algoritmiskt ramverk och datorprogramvara som möjliggör rekonstruktion av miljontals faser av ptykografiska bilddata per sekund. Sedan den introducerades 2016, SHARP har haft en påvisbar inverkan på produktiviteten för forskare som arbetar vid ALS och andra ljuskällor i hela Department of Energy complex, med anmärkningsvärda framgångar i analysen av magnetiska tunna filmer, magnetozomer och 3D-batterimaterial.

Nu forskare från CAMERA, University of Texas och Tianjin Normal University - alla medlemmar i SHARP -samarbetet - har utvecklat en modell som ytterligare förbättrar SHARP:s rekonstruktionskapacitet. Den nya algoritmen, BNP-ADMM (gradient sönderdelning av sonden/växelriktningsmetod för multiplikatorer), utnyttjar toppmoderna matematiska aspekter av fashämtning, optimering av bakgrundsbrus och detektor "denoising" för att förbättra datainsamling och bildupplösning. Med GDP-ADMM, SHARP klarar nu mer ljus än tidigare, möjliggör snabbare förvärv och högre tidsupplösning och i slutändan fler vetenskapliga upptäckter.

Ett papper som beskriver BNP-ADMM var omslagsartikeln i maj 2018-numret av Acta Kristallografi Avsnitt A . GDP-ADMM gör att mer ljus kan användas, öppna ingångsslitsarna i ett ptykografiskt mikroskop och minska antalet ramar som krävs för att få tillräckligt med data för att rekonstruera en meningsfull bild. Publikationen beskriver hur BNP-ADMM och partiell koherensanalys hjälper till att övervinna stabilitetsproblem som ligger i koherenta ptykografiska avbildningsexperiment, som ofta kasserar majoriteten av flödet från en ljuskälla för att definiera koherensen i en belysning (lokaliserad koherent röntgensond). Det utnyttjar också translationskärnans separering till hastighetsanalys.

"Målet var att erbjuda möjligheten att snabbt upptäcka intressanta nanopartiklar i full upplösning genom att möjliggöra snabb återkoppling från mikroskopisterna vid strållinjerna, "sa Stefano Marchesini, en personalvetare inom CRD och medförfattare till Acta-papperet. "Även när nästa generations sammanhängande ljuskällor kommer online, vi kanske kan förlänga röntgenenergierna som kan användas inom ptychography med hjälp av denna modell. "