Des scientifiques utilisent le deep learning pour mettre à niveau leur source de photons et visualiser les rayons X en 3D.
En effet, les chercheurs ont développé un nouveau cadre de calcul qui peut créer des visualisations tridimensionnelles des rayons X à partir de données brutes. Leur nouvelle méthode s’avère être beaucoup plus rapide que les moyens traditionnels.
Deep learning, la technologie utilisée pour visualiser les rayons X en 3D
Les scientifiques qui ont effectué les recherches en question appartiennent à l’« Argonne National Laboratory » du Département de l’énergie des États-Unis (DOE). Ils ont utilisé des techniques de deep learning pour mettre à niveau l’APS (Advanced Photon Source) et afin de visualiser les données de rayons X en 3D.
Ils ont alors développé un cadre de calcul qu’ils ont baptisé 3D-CDI-NN. La CDI ou l’imagerie par diffraction cohérente est une technique qui consiste à faire rebondir des faisceaux de rayons X ultra-lumineux sur des échantillons. Ensuite des détecteurs collectent ces faisceaux sous forme de données pour les transformer en images.
Les détecteurs actuels ne capturent qu’une partie des informations du faisceau. Les scientifiques comptent alors sur les ordinateurs pour compléter les informations. Toutefois, c’est un processus qui prend un temps considérable.
Mathew Cherukara est le chef du groupe Computational X-Ray Science de la division X-Ray Science (XSD) d’Argonne. Selon lui, la nouvelle méthode consiste à entraîner l’IA à reconnaître des objets et les changements qu’ils subissent à partir de données brutes. Ce faisant, le modèle n’aurait pas à tenir compte des informations manquantes.
Simuler des rayons X pour former le réseau de neurones
Pour qu’un ordinateur puisse prédire des résultats à partir des données qu’il reçoit, les scientifiques conçoivent une série d’algorithmes qui correspond à un réseau de neurones (NN).
Avec des simulations informatiques, les chercheurs ont créé des cristaux de différentes formes et tailles. Par la suite, ils ont converti ces simulations en modèles de diffraction pour entraîner le réseau à les reconnaître.
C’est ainsi que les chercheurs ont pu tester la capacité du 3D-CDI-NN à compléter les informations. Par ailleurs, ils ont constaté que la reconstruction des images prenait beaucoup moins de temps même avec les données manquantes.
En somme, pour l’imagerie par rayons X en 3D, le deep learning permet de tirer parti des méthodes actuelles pour aller bien au-delà, affirme Cherukara.
- Partager l'article :
