Forskare förbereder sig för den ökade ljusstyrkan och upplösningen hos nästa generations ljuskällor med en datorteknik som rekonstruerar bilder snabbare och med mer precision.

Fotografer vet att fånga en bild ofta är en kamp mellan fokus och upplösning. Träna kameran på ett föremål i förgrunden, med en större bländare, och bakgrunden blir suddig. Använd en mindre bländare för att få ett skärpedjup och skärpan i förgrunden minskar.

Detsamma gäller för röntgenbilder, om än i mycket mindre skala. Ljuskällor som Advanced Photon Source (APS), en U.S. Department of Energy (DOE) användaranläggning belägen vid DOE:s Argonne National Laboratory, är utmärkta på att analysera små prover av material i hög upplösning med röntgenstrålar som är upp till en miljard gånger ljusare än de som produceras på din tandläkarmottagning.

Men med nästa generations röntgenteknik i horisonten, ljusare strålar kommer, vilket innebär att avbildning av tjockare prover kommer att vara möjlig. Och ju tjockare provet är, desto mer sannolikt kommer den resulterande bildrekonstruktionen att hamna i fokus kontra upplösningsfrågan.

Som betyder, enligt Chris Jacobsen, Argonne Distinguished Fellow och professor i fysik vid Northwestern University, att forskarna måste tänka framåt. Jacobsen leder ett team av forskare som är bland de första att ta sig an denna utmaning för röntgenbilder inför projekt som APS Upgrade, vilket kommer att öka ljusstyrkan på APS:s röntgenstrålar med upp till 500 gånger. APS-uppgraderingen, som redan är igång, kommer att möjliggöra framsteg som kan leda till batterier som håller längre, mer hållbara motordelar och effektivare datorer.

APS-uppgraderingen kommer att möjliggöra forskningsprojekt som är omöjliga vid nuvarande intensitet, som att spåra de neurala förbindelserna inuti en muss hjärna för att lära dig mer om neurologiska störningar, ett projekt som Jacobsens team arbetar med. Men det kommer också att öka behovet av mer avancerade rekonstruktionsverktyg.

Detta är ett lösbart problem, men det kräver för närvarande en stor mängd tråkigt beräkningsarbete, enligt Ming Du, en postdoktor vid Argonne. Du är huvudförfattare på en tidning publicerad i Vetenskapens framsteg som beskriver hur en teknik som kallas automatisk differentiering kan hjälpa till att slutföra en 3D-rekonstruktion av röntgenbilder med mer flexibilitet och mindre mänsklig ansträngning än traditionell beräkning.

Simuleringarna som visar denna teknik (som forskargruppen kallar Adorym, för automatisk differentieringsbaserad objekthämtning med dynamisk modellering) kördes på superdatorerna vid Argonne Leadership Computing Facility (ALCF), en annan DOE Office of Science User Facility. Du utförde kodningen och testningen på Cooley-klustret vid ALCF.

Automatisk differentiering, Du förklarade, är grunden för många maskininlärningsverktyg. I matematiska termer, den beräknar gradienter för att minimera förlustfunktioner, och medan Du sa att dessa relativt enkla numeriska siffror kunde utföras manuellt, en komplex formel som en 3D-rekonstruktion av röntgendata kräver ett enormt antal av dessa beräkningar.

"Uppgifterna är enkla, men det finns många av dem, " Du sa. "Det är vad datorer uppfanns för att göra. Enkla men tråkiga uppgifter."

Jacobsens forskargrupp presenterade tidigare ett nytt tillvägagångssätt för att avbilda objekt bortom djupet av fokusfältet i en artikel publicerad i Optica 2018. Deras modell kallas Multislice Optimized Object Recovery (MOOR), och teamet visade dess användbarhet för röntgenptykografi, som normalt avbildar tunna skivor av material i hög upplösning. MOOR använder tätt packade, multislice-modeller för varje riktning av röntgendata, Du sa, för att skapa 3D-rekonstruktioner av tjockare exemplar.

Skala upp den metoden för 3D-avbildning av större prover, Du sa, skulle vara ett enormt arbete utan automatisk differentiering. Teamet använder superdatorn Theta vid ALCF för sina pågående ansträngningar att bygga ett ramverk för automatiska differentieringsdrivna rekonstruktioner i större skala.

"Holografi avbildar hela provet i en enda bild för varje betraktningsvinkel, " sa han. "Problemet är att en mindre justering av modellen innebär en stor mängd omarbetning av gradientberäkningen. Automatisk differentiering förändrar spelet. Du kan göra en förändring i modellen och lämna allt annat till datorn."

Du erbjuder batterier som håller längre som ett bra exempel på ett forskningsprojekt som skulle kunna dra nytta av denna beräkningsmetod. Avbilda dendrittillväxten i nanoskala på en batterielektrod, han sa, kan kräva en lösning på gränsen för fokusdjup, som automatisk differentiering kan bidra till att ge.

Automatisk differentiering är ingen ny idé. Jacobsen sa att det föreslogs för flera år sedan som ett verktyg för sammanhängande bildrekonstruktioner, men programvaran för att åstadkomma det var inte tillgänglig vid den tiden. Framväxten av maskininlärning och neurala nätverk, dock, gjort denna teknik tillgänglig. Forskargruppen använde ett paket med öppen källkod som heter TensorFlow för att utföra sina simuleringar.

"Datorn gör det tunga lyftet, och det är ett tillräckligt generaliserat paket för att det kan anpassas för röntgenbilder, sa Jacobsen.

Än så länge, enligt Jacobsen, 3D-rekonstruktionerna har endast utförts på simulerade data. Teamet använde ett datortillverkat föremål - en ihålig glaskon - för att visa att automatisk differentiering kunde användas för snabbare rekonstruktioner. Nästa steg skulle vara att testa med fysiska prover, men en fullständig demonstration av tekniken kan behöva vänta tills nästa generations röntgenanläggningar är igång.

"Nästa hopp inom acceleratorteknik kommer, " sa Jacobsen. "Det är viktigt att tänka på det här nu."