Les scientifiques se préparent à l'augmentation de la luminosité et de la résolution des sources lumineuses de nouvelle génération grâce à une technique informatique qui reconstruit les images plus rapidement et avec plus de précision.

Les photographes savent que la capture d'une image est souvent une bataille entre la mise au point et la résolution. Entraînez la caméra sur un objet au premier plan, en utilisant une plus grande ouverture, et l'arrière-plan devient flou. Utilisez une ouverture plus petite pour obtenir une profondeur de champ et la netteté du premier plan diminue.

Il en va de même pour l'imagerie par rayons X, bien qu'à une échelle beaucoup plus petite. Des sources lumineuses comme la source avancée de photons (APS), une installation utilisateur du département de l'énergie des États-Unis (DOE) située au laboratoire national d'Argonne du DOE, sont excellents pour analyser de petits échantillons de matériau en haute résolution à l'aide de rayons X jusqu'à un milliard de fois plus lumineux que ceux produits au cabinet de votre dentiste.

Mais avec la prochaine génération de technologie à rayons X à l'horizon, des faisceaux plus brillants arrivent, ce qui signifie que l'imagerie d'échantillons plus épais sera possible. Et plus l'échantillon est épais, plus il est probable que la reconstruction de l'image résultante se heurte au problème de la mise au point par rapport à la résolution.

Ce qui signifie, selon Chris Jacobsen, Argonne Distinguished Fellow et professeur de physique à la Northwestern University, que les scientifiques doivent anticiper. Jacobsen dirige une équipe de chercheurs qui sont parmi les premiers à relever ce défi pour l'imagerie par rayons X en amont de projets tels que l'APS Upgrade, ce qui augmentera la luminosité des faisceaux de rayons X de l'APS jusqu'à 500 fois. La mise à niveau APS, qui est déjà en cours, permettra des avancées qui pourraient conduire à des batteries plus durables, des pièces de moteur plus durables et des ordinateurs plus efficaces.

La mise à niveau de l'APS permettra des projets de recherche impossibles à l'intensité actuelle, comme tracer les connexions neuronales à l'intérieur du cerveau d'une souris pour en savoir plus sur les troubles neurologiques, un projet sur lequel travaille l'équipe de Jacobsen. Mais cela augmentera également le besoin d'outils de reconstruction plus avancés.

C'est un problème soluble, mais il faut actuellement une grande quantité de travail de calcul fastidieux, selon Ming Du, chercheur postdoctoral à Argonne. Du est l'auteur principal d'un article publié dans Avancées scientifiques qui décrit les façons dont une technique appelée différenciation automatique peut aider à compléter une reconstruction 3D d'images radiographiques avec plus de flexibilité et moins d'effort humain que le calcul traditionnel.

Les simulations démontrant cette technique (que l'équipe de recherche appelle Adorym, for Automatic Differentiation-based Object Retrieval with dYnamical Modeling) ont été exécutés sur les supercalculateurs de l'Argonne Leadership Computing Facility (ALCF), une autre installation utilisateur du DOE Office of Science. Du a effectué le codage et les tests sur le cluster Cooley à l'ALCF.

Différenciation automatique, Du a expliqué, est la base de nombreux outils d'apprentissage automatique. En termes mathématiques, il calcule des gradients pour minimiser les fonctions de perte, et tandis que Du a déclaré que ces calculs de nombres relativement simples pouvaient être effectués manuellement, une formule complexe comme une reconstruction 3D de données radiographiques nécessite un nombre énorme de ces calculs.

« Les tâches sont simples, mais il y en a beaucoup, " Du dit. "C'est pour ça que les ordinateurs ont été inventés. Tâches simples mais fastidieuses."

L'équipe de recherche de Jacobsen a précédemment dévoilé une nouvelle approche pour l'imagerie d'objets au-delà de la profondeur de champ de focalisation dans un article publié dans Optica en 2018. Leur modèle s'appelle Multislice Optimized Object Recovery (MOOR), et l'équipe a démontré son utilité pour la ptychographie aux rayons X, qui image normalement de fines tranches de matériaux à haute résolution. MOOR utilise densément emballé, modèles multicoupes pour chaque direction des données radiographiques, Du a dit, pour créer des reconstructions 3D d'échantillons plus épais.

Mise à l'échelle de cette méthode pour l'imagerie 3D d'échantillons plus volumineux, Du a dit, représenterait un travail énorme sans différenciation automatique. L'équipe utilise le supercalculateur Theta de l'ALCF pour ses efforts continus visant à créer un cadre pour des reconstructions automatiques basées sur la différenciation à plus grande échelle.

"L'holographie image l'ensemble de l'échantillon en une seule prise pour chaque angle de vue, " Il a dit. " Le problème est qu'un ajustement mineur au modèle signifie une grande quantité de remaniement sur le calcul du gradient. La différenciation automatique change la donne. Vous pouvez modifier le modèle et laisser tout le reste à l'ordinateur."

Du propose des batteries plus durables comme un bon exemple de projet de recherche qui pourrait bénéficier de cette méthode de calcul. Imagerie de la croissance de dendrites à l'échelle nanométrique sur une électrode de batterie, il a dit, peut nécessiter une solution à la limite de profondeur de champ, que la différenciation automatique peut aider à fournir.

La différenciation automatique n'est pas une idée nouvelle. Jacobsen a déclaré qu'il avait été suggéré il y a des années comme un outil pour des reconstructions d'images cohérentes, mais le logiciel pour l'accomplir n'était pas disponible à ce moment-là. L'essor du machine learning et des réseaux de neurones, cependant, rendu cette technologie accessible. L'équipe de recherche a utilisé un package open source appelé TensorFlow pour effectuer leurs simulations.

"L'ordinateur fait le gros du travail, et c'est un package suffisamment généralisé pour qu'il puisse être adapté pour l'imagerie par rayons X, " a déclaré Jacobsen.

Jusque là, selon Jacobsen, les reconstructions 3-D n'ont été réalisées que sur des données simulées. L'équipe a utilisé un objet fabriqué par ordinateur, un cône de verre creux, pour montrer que la différenciation automatique pouvait être utilisée pour des reconstructions plus rapides. La prochaine étape serait de tester avec des échantillons physiques, mais une démonstration complète de la technique devra peut-être attendre jusqu'à ce que la prochaine génération d'installations à rayons X soit opérationnelle.

"Le prochain saut dans la technologie des accélérateurs arrive, " Jacobsen a déclaré. "Il est important d'y penser maintenant."