Denise Yazak, Brookhaven Milli Laboratoriyası tərəfindən

Sadie Harley tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Qalınlığı boyunca kəsikləri göstərən bu inteqral sxemin 3D təsviri, “qavrayışla birləşdirilmiş iterativ tomoqrafiya rekonstruksiya mühərriki” adlanan süni intellekti özündə birləşdirən yeni bir texnika ilə yenidən qurulub. Mənbə: Brookhaven Milli Laboratoriyası

Rentgen tomoqrafiyası, alimlərə və mühəndislərə kompüter çipləri və qabaqcıl batareya materialları da daxil olmaqla, obyektlərin içərisinə heç bir invaziv müdaxilə etmədən 3D formatında baxmağa imkan verən güclü bir vasitədir. Bu, tibbi KT müayinələrinin arxasındakı eyni əsas metoddur.

Alimlər və ya texniklər obyekt fırlanarkən rentgen şəkillərini çəkirlər və sonra inkişaf etmiş proqram təminatı obyektin 3D daxili strukturunu riyazi olaraq yenidən qurur. Lakin mikroçipdəki xüsusiyyətlər kimi nanoskalada incə detalların görüntülənməsi adi tibbi KT müayinəsindən daha yüksək fəza qətnaməsi tələb edir – təxminən 10.000 dəfə yüksək.

   Öz-özünə konfiqurasiya edən optik cihazlar işığı necə ayırmağı avtomatik olaraq öyrənir

Video Player is loading.Play Video

ABŞ Energetika Nazirliyinin (DOE) Elm Ofisinin istifadəçi obyekti olan Milli Sinxrotron İşıq Mənbəyi II (NSLS-II)-dəki Sərt Rentgen Nanozondu (HXN) şüa xətti ənənəvi KT müayinələrindən milyard dəfədən çox daha parlaq olan rentgen şüaları ilə bu cür qətnaməyə nail ola bilir.

Tomoqrafiya yalnız bu proyeksiya görüntüləri bütün bucaqlardan çəkilə bildikdə yaxşı işləyir. Lakin bir çox real həyatda bu mümkün deyil. Məsələn, elm adamları bəzi rentgen şüalarını bloklamadan düz kompüter çipini 180 dərəcə ətrafında fırlada bilməzlər.

Səthə yüksək bucaq altında paralel olduqda, daha az rentgen şüası çipi nüfuz edə bilər və bu da ölçmənin baxış bucaqlarını məhdudlaşdırır. Bu bucaq diapazonundan itkin məlumatlar “kor nöqtə” yaradır və bu da rekonstruksiya proqramının bulanıq, təhrif olunmuş görüntülər yaratmasına səbəb olur.Oyna

00:0000:17SəssizParametrlərPIPTam ekrana daxil olun

HXN şüa xəttinin aparıcı şüa xətti alimi və bu işin müvafiq müəllifi Hanfei Yan bildirib ki, “Biz buna “itkin paz” problemi deyirik. Onilliklərdir ki, bu problem elm və texnologiyanın bir çox sahələrində rentgen və elektron tomoqrafiyanın tətbiqini məhdudlaşdırıb.”

Problemi həll etmək üçün NSLS-II tədqiqatçıları qavrayışla birləşdirilmiş iterativ tomoqrafiya rekonstruksiya mühərriki (PFITRE) adlı yeni bir metod hazırlayıblar. Bu yeni yanaşma rentgen şüalarının fizikasını süni intellektin (Sİ) gücü ilə birləşdirir. Onların tapıntıları npj Computational Materials jurnalında dərc edilib .

Komanda, məlumat nümunələrini avtomatik olaraq öyrənən süni intellekt modeli olan konvolyusion neyron şəbəkəsini simulyasiya edilmiş məlumatlarla öyrətdi. Konvolyusion neyron şəbəkələri kənarlar, teksturalar və ya formalar kimi vacib xüsusiyyətləri aşkar etmək üçün konvolyusion təbəqələrdən istifadə edir və bu xüsusiyyətləri birləşdirərək təsvirdə nə olduğunu müəyyən etmək kimi proqnozlar verir.

Süni intellekt komponenti nümunə haqqında qavrayış biliklərini, komandanın həllin necə görünməsini gözlədiyini ələ keçirir və bu biliklərə əsaslanaraq yenidən qurulmuş görüntünü təkmilləşdirmək üçün istifadə edir. Bu arada, fizikaya əsaslanan model nəticələrin hələ də elmi cəhətdən məntiqli olub olmadığını yoxlayır.

Bu proses süni intellekt və fizika komponentlərinin nəticələri birləşənə qədər bir neçə dəfə təkrarlanır və həm dəqiq, həm də vizual olaraq aydın olan bir rekonstruksiya yaradır.

Daha yaxşı görmə qabiliyyəti geniş təlim tələb edir

İstehlakçı texnologiyasında, mobil telefon kameralarında olduğu kimi, görüntü korreksiyasından fərqli olaraq, elmi görüntüləmə yalnız görünüşü deyil, dəqiqliyi də qorumalıdır. Alimlər düzəldilmiş görüntünün fiziki model və məlumatlarla hələ də uyğun olduğundan əmin olmaq üçün bir metod hazırlamalı idilər.

Bunu etmək üçün NSLS-II alimləri süni intellektdən düzgün cavaba kifayət qədər yaxınlaşana qədər addım-addım təkmilləşdirilmiş həlləri dəfələrlə sınamaqla mürəkkəb problemləri həll edən riyazi bir vasitə olan təkrarlanan həll mühərrikinə daxil etdilər.

Daxili süni intellekt, rekonstruksiyaların faktiki rentgen ölçmələrinə sadiq qalmasını təmin etmək üçün fizika əsaslı modelləşdirmədən istifadə edərək, həddindən artıq korreksiyanı məhdudlaşdıran “ağıllı” nizamlayıcı kimi çıxış edir.

HXN-də postdoktorluq edən və bu işin aparıcı müəllifi Çonqanq Çjao bildirib ki, “Biz sadəcə daha yaxşı görüntülər yaradan süni intellekt istəmirdik. Nəticələrin həm vizual olaraq aydın, həm də elmi cəhətdən etibarlı olması üçün fizika ilə əl-ələ işləyən süni intellekt istəyirdik.” “Metodumuzun gücü budur – süni intellektin incəliyini fiziki modellə birləşdirərək sədaqəti təmin etmək.”

PFITRE-dəki süni intellekt, ümumi görüntü emalı üçün məşhur olan kodlayıcı-dekoder dizaynı olan U-net arxitekturası adlanan neyron şəbəkəsi növü üzərində qurulub. Kodlayıcı mərhələ giriş görüntüsünün kənarları, teksturaları və formaları kimi vacib xüsusiyyətləri öyrənir və aşkarlayır, dekoder mərhələsi isə detalları bərpa etmək və təhrifləri düzəltmək üçün bu xüsusiyyətlərdən istifadə edərək görüntünü yenidən qurur.

Tədqiqatçılar U-şəbəkəsinin qabiliyyətini qalıq sıx bloklar və genişlənmiş burulmalar adlanan struktur dəyişiklikləri ilə artırdılar. Bunlar şəbəkənin incə teksturalardan daha böyük strukturlara qədər birdən çox miqyasda məlumat toplamasına kömək edir və bu da şəbəkəni tomoqrafiyada itkin paz problemini həll etmək üçün daha uyğun edir. Lakin bu kimi bir model təkbaşına öyrənə bilməz. Təlim keçmək üçün xeyli miqdarda məlumat tələb olunur.

Həqiqi elmi mikroskopiya məlumat dəstləri PFITRE kimi spesifik süni intellekt modelində effektiv təlim üçün çox məhduddur, buna görə də komanda sintetik məlumatlara əsaslanırdı. Onlar nümunələr kimi təbii şəkillərdən, simulyasiya edilmiş nümunələrdən və skan edilmiş elektron mikroskop şəkillərindən istifadə edərək təlim məlumat dəstləri yaratdılar.

Təlimi mümkün qədər real etmək üçün onlar təcrübənin ” rəqəmsal əkizini ” təqdim etdilər və real dünya şərtlərini təqlid edən virtual məlumatlar yaratdılar. Süni intellekt fiziki məlumatları idarə edə bilməsi üçün qəsdən səs-küy, uyğunsuzluq və digər qüsurları daxil etdilər.

Görüntüləmənin gələcəyinə təsir

Bu metodu təkmilləşdirmək üçün hələ görüləsi işlər olsa da, faydaları göz qabağındadır. Ölçülərinə və ya həndəsələrinə görə bir vaxtlar əlçatmaz olan nümunələr indi informativ məlumatlar yarada bilər. Daha geniş baxış sahəsi, itkin pazın qurbanı olmadan daha çox nümunənin təhlil edilməsinə imkan verir.

Bu metod , daha az ölçmə tələb olunduğu təcrübələrdə də faydalı ola bilər ki , bu da yerində tədqiqatların daha sürətli aparılmasına və həssas nümunələrdə radiasiya dozasının azaldılmasına imkan verir.

“Bu, əvvəllər öyrənilə bilməyən nümunələrin ətraflı görüntülənməsinə yol açır. Bu, irəliyə doğru çox böyük bir addımdır”, – Yan deyib. “İstər mikroçiplərdəki qüsurların diaqnozu, istərsə də batareyanın niyə sıradan çıxdığını anlamaq olsun, PFITRE bizə əvvəllər mümkün olmayan hesab edilən şərtlər altında detalları görməyə imkan verir.”

PFITRE böyük bir irəliləyiş olsa da, komanda təkmilləşdirmə üçün yer olduğunu qəbul edir. Hazırda metod 3D obyektləri hissə-hissə emal edir. Onu tam 3D yanaşmaya genişləndirmək ardıcıllığı daha da artıracaq, lakin daha çox hesablama tələb edəcək.

Digər bir çətinlik, tətbiq dairəsini genişləndirmək üçün qüsurlu piksellərdən və ya nümunə hərəkətindən yaranan artefakt kimi daha çox artefaktın daxil edilməsidir. Digər süni intellekt modelləri kimi, o da əvvəllər “görünməyən” problemləri həll edə bilmir. Bunu həll etmək üçün gələcək işlər bir çox artefakt növünü əhatə edən daha zəngin təlim məlumat dəsti qurmağı və modelin daha az təlimlə daha effektiv öyrənməsi üçün yollar inkişaf etdirməyi əhatə edəcək.

Bu yeni, güclü 3D təsvir analiz metodu, daha sürətli və daha səmərəli mikroçiplərin hazırlanmasından tutmuş yeni materialların sintezinə və hətta biotibbi tətbiqlərə qədər bir çox sahədə kəşfləri sürətləndirmək potensialına malikdir. Maşın öyrənməsi və sinxrotron elmi birlikdə inkişaf etməyə davam etdikcə, bu kimi alətlər cəmiyyətin ən böyük elmi problemlərinin bəzilərini həll etmək üçün alimlərin mikroskopik dünyaya baxışını kəskinləşdirəcək.

Daha çox məlumat: Chonghang Zhao və digərləri, Maşın öyrənməsi ilə effektiv təkrarlanan rekonstruksiya mühərriki ilə məhdud bucaqlı rentgen nanotomoqrafiyası, npj Hesablama Materialları (2025). DOI: 10.1038/s41524-025-01724-0

Jurnal məlumatları: npj Hesablama Materialları Brookhaven Milli Laboratoriyası tərəfindən təmin edilir