Uso de redes neuronales para obtener imágenes de rayos X más rápidas

Los científicos han demostrado el uso de la inteligencia artificial (IA) para acelerar el proceso de reconstrucción de imágenes a partir de datos coherentes de dispersión de rayos X. Las técnicas tradicionales de imágenes de rayos X (como las imágenes médicas de rayos X) están limitadas en la cantidad de detalles que pueden proporcionar. Esto ha llevado al desarrollo de métodos coherentes de obtención de imágenes por rayos X que son capaces de proporcionar imágenes desde lo más profundo de los materiales con una resolución de unos pocos nanómetros o menos. Estas técnicas generan imágenes de rayos X sin necesidad de lentes al difractar o dispersar el haz de las muestras y directamente sobre los detectores.

Los datos capturados por esos detectores tienen toda la información necesaria para reconstruir imágenes de alta fidelidad y los científicos computacionales pueden hacerlo con algoritmos avanzados. Estas imágenes pueden ayudar a los científicos a diseñar mejores baterías, construir materiales más duraderos y desarrollar mejores medicamentos y tratamientos para enfermedades.

El proceso de usar computadoras para ensamblar imágenes a partir de datos coherentes de rayos X dispersos se llama ptychography y el equipo usó una red neuronal que aprende cómo extraer esos datos en una forma coherente, de ahí el nombre de la innovación:PtychoNN.

Cuando un haz de rayos X golpea una muestra, la luz se difracta y se dispersa y los detectores alrededor de la muestra recogen esa luz. Entonces depende de los científicos convertir esos datos en información que se pueda utilizar. Sin embargo, el desafío es que, si bien los fotones en el haz de rayos X transportan dos piezas de información:la amplitud o el brillo del haz y la fase o cuánto cambia el haz cuando pasa a través de la muestra, los detectores solo capturar uno. Debido a que los detectores solo pueden detectar la amplitud y no pueden detectar la fase, toda esa información se pierde, por lo que debe reconstruirse.

Se puede hacer, pero el proceso es más lento de lo que a los científicos les gustaría. Parte del desafío está en el extremo de la adquisición de datos. Para reconstruir los datos de fase a partir de experimentos de imágenes de difracción coherentes, los algoritmos actuales requieren que los científicos recopilen muchos más datos de amplitud de su muestra, lo que lleva más tiempo. Pero la reconstrucción real a partir de esos datos también lleva algún tiempo. Aquí es donde entra en juego PtychoNN. Usando técnicas de inteligencia artificial, los investigadores demostraron que se puede enseñar a las computadoras a predecir y reconstruir imágenes a partir de datos de rayos X y pueden hacerlo 300 veces más rápido que el método tradicional. Sin embargo, más que eso, PtychoNN puede acelerar el proceso en ambos extremos.