Avancerad synkrotrontomografi är ett kritiskt forskningsverktyg som gör det möjligt för forskare att utforska de invecklade strukturerna hos objekt i extremt hög upplösning. Eftersom denna teknik gör det möjligt för forskare att fånga dynamik i realtid, kan den fånga pågående förändringar i levande organismer (cellulära rörelser och vätskedynamik) för medicinsk forskning och i material, som att observera dendritbildning i batterier för att förstå orsakerna till kapacitetsminskning och eventuellt misslyckande.
Nyckeln till denna detaljerade vy är att tomografi inte bara förlitar sig på en enda röntgenbild; istället tas flera bilder från olika vinklar. Dessa bilder matas sedan in i en dator, där matematiska algoritmer kombinerar dem för att producera en tredimensionell (3D) digital representation som avslöjar en otroligt detaljerad bild av objektets interna struktur.
Men i många fall är antalet bilder som kan samlas mycket begränsat. Till exempel kan det vara svårt att samla in tillräckligt med bilder från ett snabbt utvecklande prov innan det ändrar form.
Att rekonstruera strukturen från sådana begränsade data är endast möjligt om ytterligare kända egenskaper hos provet ingår i dataanalysen. Tyvärr är modellering av dessa provegenskaper ofta mycket beräkningsintensivt och kan kräva omfattande beräkningsresurser som kanske inte är lätt tillgängliga för forskare.
För att möta denna utmaning, ett team från Lawrence Berkeley National Laboratorys (Berkeley Labs) Center for Advanced Mathematics for Energy Research Applications (CAMERA), bestående av projektforskaren Dinesh Kumar och personalforskaren Jeffrey Donatelli från Applied Math and Computational Research Division (AMCR) ) och personalforskaren Dula Parkinson från Advanced Light Source-anläggningen, utvecklade nyligen en ny rekonstruktionsalgoritm, TomoCAM, som utnyttjar avancerad matematisk teknik och GPU-baserad datoranvändning.
Ett dokument som beskriver TomoCAM publicerades i Journal of Synchrotron Radiation , där den visade sig sätta ett nytt världsrekord genom att överträffa hastigheten för befintliga toppmoderna iterativa tomografiska rekonstruktionsalgoritmer.
Enligt Kumar, tidningens huvudförfattare, använder experimentalister vanligtvis direkta approximationsmetoder, såsom filtered-back projektioner (FPB), för att göra sina tomografiska rekonstruktioner. Dessa direkta approximationsmetoder leder dock ofta till rekonstruktioner av låg kvalitet i många experiment där prover utvecklas, är känsliga för strålningsskador eller experimentell geometri begränsar förvärvet av tillräckliga vyer.
Alternativt kan Model-Based Iterative Reconstruction (MBIR) metoder erhålla rekonstruktioner av mycket högre kvalitet från begränsade och bullriga data. MBIR kombinerar en matematisk modell av den tomografiska processen med välutbildade antaganden om provet för att skapa en iterativ process.
Med en första gissning förbättras en simulerad modell av provet gradvis så att det samtidigt matchar röntgenmätningarna som samlats in under experimentet och uppfyller provets antaganden. Men införandet av MBIR har begränsats på grund av de betydande beräkningsresurser som krävs av konventionella implementeringar.
TomoCAM övervinner dessa beräkningskostnadsbegränsningar genom att omformulera de fundamentala operatorerna i MBIR i termer av samplets Fourier-koefficienter, som beskriver de fundamentala frekvenserna för samplets densitet, liknande de enskilda tonerna som utgör ett musikstycke.
Dessa Fourier-koefficienter kan beräknas mycket effektivt med den olikformiga Fast Fourier Transform (NUFFT)-algoritmen, som gör att MBIR-operatorerna i TomoCAM kan beräknas betydligt snabbare än traditionella metoder. Dessutom utnyttjar TomoCAM avancerade GPU-accelerationsstrategier som optimerar dataströmning till GPU-minne.
Dessa innovationer gör att TomoCAM kan utföra MBIR på en bråkdel av tiden jämfört med traditionella MBIR-koder samtidigt som det bara kräver blygsamma och allmänt tillgängliga datorresurser. Dessutom har TomoCAM ett Python-gränssnitt, som ger åtkomst från Jupyter-baserade ramverk, vilket möjliggör enkel integration i befintliga arbetsflöden vid synkrotronanläggningar.
"Det kan verkligen göra skillnad för forskare att se dessa högkvalitativa resultat från MBIR så snabbt", säger Dula Parkinson, chefsforskare för mikrotomografi vid ALS.
"TomoCAM tillåter människor att se resultat från MBIR när de samlar in data mycket lättare. Detta gör det möjligt för dem att säkerställa att kombinationen av experimentella och analysparametrar är korrekta snarare än att hoppas på det bästa och hitta problem senare. Och det gör att de kan se de fina detaljerna som kan vägleda deras beslut om deras experimentplan tydligare."
"Det fina med tillämpad matematik är att det ofta kan leda till betydande prestandaförbättringar som inte är möjliga genom enbart högpresterande datorer", säger Jeffrey Donatelli, Mathematics for Experimental Data Analysis Group lead och biträdande chef för CAMERA. "Genom att utnyttja problemets matematiska struktur kan TomoCAM avsevärt påskynda den tomografiska inversionsprocessen."
TomoCAM är tillgängligt för alla forskare under en öppen källkodslicens. Kumar sa att det används i allt större utsträckning vid ALS, och National Synchrotron Light Source II vid Brookhaven National Laboratory arbetar för att inkludera TomoCAM i deras arbetsflödessystem.
Detta ger materialvetenskapsgemenskapen möjlighet att utöka omfattningen av tomografiska mätningar mot allt mer in situ och operando-mätningar, där prover ofta utvecklas snabbt och har komplexa geometrier – ett exempel är undersökningen av sprickor och försämring av keramiska matriskompositer , som är nya lättviktsmaterial som används i jetmotorer som arbetar under höga temperaturer och tryck.
TomoCAM är en produkt i ständig utveckling. "Vi undersöker nya sätt att ytterligare påskynda och automatisera den tomografiska rekonstruktionspipelinen genom att utnyttja ytterligare matematiska strukturer av problemet och undersöka nya hybridmetoder som utnyttjar maskininlärningsmodeller", säger Kumar.
"Det slutliga målet är att sänka inträdesbarriären, påskynda konvergensen och förenkla användningen av MBIR, vilket gör det möjligt för materialforskare att fokusera på att utföra komplexa experiment utan att oroa sig för återuppbyggnadsprocessen."
Mer information: Dinesh Kumar et al, tomoCAM:snabb modellbaserad iterativ rekonstruktion via GPU-acceleration och olikformiga snabba Fourier-transformationer, Journal of Synchrotron Radiation (2023). DOI:10.1107/S1600577523008962
Tillhandahålls av Lawrence Berkeley National Laboratory
