中国科学院のチームがAI大型モデルトレーニング技術を利用して大量の放射光データを処理

元の意味を変えることなく、中国語に書き直す必要がある文は次のとおりです: 編集| これは、理論的に回折限界の解像度を達成できるコヒーレント回折イメージング技術であり、広く普及しています。材料、生命、半導体、エネルギーなどさまざまな科学分野の研究に活用されています。

新世代の放射光光源は、高コヒーレンスかつ高輝度の X 線を提供でき、高スループットおよび多次元の方向でコヒーレントイメージング技術の開発を促進し、微細構造のタイコグラフィーを有用にします。大量サンプルの研究と機能特性評価に優れた応用の可能性を秘めています。しかし、新しい実験モデルと応用シナリオは、大規模データのオンライン分析に技術的な課題をもたらしており、1 回の実験で得られる元の回折パターン データの量は PB レベルに達する可能性があり、4 日に科学実験における最大のデータ ソースの 1 つになりました。 -世代放射光光源の一つ。また、その位相回復問題は、放射光データ処理分野における最も難しい問題の一つでもある。

人工知能手法は、ビッグ データの分析と処理のための強力なツールとして、従来のアルゴリズムの利点を維持し、大量の実験データのオンライン分析におけるその機能を際立たせます。

比較的時間のかかるスキャン イメージング テクノロジーであるタイコグラフィーの主な目標の 1 つは、リアルタイム分析を可能にすることです。しかし、現在の伝統的なタイコグラフィー再構成アルゴリズムでは、オンライン再構成のニーズを満たすことは困難です。研究チームは、畳み込みニューラルネットワークに基づいて、ネットワークのトレーニングと再構築を高速化し、再構築効果を向上させるグループ化畳み込みニューラルネットワークデコーダ構造を提案しました。ニューラル ネットワークは、回折パターンから実際のオブジェクトへのマッピングを学習できます。今後、光源データの量と質がさらに向上することにより、ネットワーク規模、パラメータ量、学習データ量がさらに増加し​​、ネットワークの性能と汎化能力が向上すると考えられます。 中国科学院の高エネルギー放射源 (HEPS) ビームライン ソフトウェア チームは、X 線タイコグラフィーの実験データからオブジェクトを正確に復元するために、PtyNet と呼ばれる畳み込みニューラル ネットワーク フレームワークを開発しました。投影。強力なコンピューティング クラスターのサポートにより、PtyNet はトレーニング用に放射光光源からデータを迅速に取得し、ユーザーの実験データの画像を迅速に再構成できます

図 1

この研究のタイトルは「大規模な事前トレーニング済み深層学習モデルの微調整による効率的なタイコグラフィー再構築戦略」で、2023 年 11 月 9 日に iScience 誌に掲載されました

論文リンク:

https://doi.org/10.1016/j.isci.2023.108420

異なる実験データによって回収されたターゲットオブジェクトが異なるため、チームは微調整戦略も導入し、さらに最適化しましたネットワークパラメータ。教師なし微調整戦略により、ネットワークはより強力な汎化能力とより高い再構成解像度を得ることができます。シンクロトロン放射線源は、より強力な事前トレーニング済みモデルを取得するのに十分なデータをネットワークに提供できます。ネットワーク内に存在しない新しいサンプルであっても、ネットワークを正常に再構築できます (図 2)。

書き直す必要があるのは、2 番目の図です。

将来的に、チームは畳み込みニューラル ネットワークを X 線コヒーレンス イメージングに適用し続ける予定です。フィールドでの研究。微調整と大規模モデル戦略を使用して、コヒーレント イメージングの大規模モデルが開発されました。モデル自体は、さまざまなイメージング タスクを識別し、回復結果を提供できます。ユーザーは、リアルタイムの再構築のためにいくつかの路線駅パラメータを入力するだけで済みます。

将来のEBスケールデータの課題に直面して、HEPSは「大規模科学ソフトウェアフレームワークAI for Science」という革新的な科学研究パラダイムを積極的に推進しており、専門的な科学ソフトウェアチームを設立して、実験制御、データ収集と処理などの大規模なクロスフィールド研究、人工知能、最先端の主題アルゴリズム、マルチスケール画像処理およびデータマイニングが「スマート光源」構築の基礎を築きました。

以上が中国科学院のチームがAI大型モデルトレーニング技術を利用して大量の放射光データを処理の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。