超级计算如何帮助高分辨率X射线成像

科学家们正在通过一种计算技术来为下一代光源提高亮度和分辨率做准备，该计算技术可以更快，更精确地重建图像。

摄影师知道，捕获图像通常是焦点和分辨率之间的斗争。使用较大的光圈将相机训练在前景中的物体上，背景会变得模糊。使用较小的光圈可获得景深，并且前景的清晰度会降低。

X射线成像也是如此，尽管规模要小得多。位于美国能源部阿贡国家实验室的美国能源部(DOE)用户设施等高级光子源(APS)等光源，在使用高分辨率X射线分析十亿倍的X射线分析材料的小样本方面表现出色。在您的牙医办公室生产的那些。

但是随着下一代X射线技术的出现，更亮的光束即将出现，这意味着可以对更厚的样本进行成像。样本越厚，最终的图像重建就越有可能遇到焦点与分辨率的问题。

西北大学物理学教授，阿贡大学杰出研究员克里斯·雅各布森(Chris Jacobsen)认为，这意味着科学家需要提前思考。雅各布森领导的研究人员团队是最早在APS升级等项目之前解决X射线成像挑战的研究人员之一，该项目将使APS的X射线束的亮度提高多达500倍。APS升级已经在进行中，它将使这些改进取得进展，这些改进可能导致电池寿命更长，引擎部件更耐用，计算机效率更高。

APS升级将允许在当前强度下无法进行的研究项目，例如，追踪老鼠大脑内部的神经连接，以了解有关神经系统疾病的更多信息，这是Jacobsen团队正在研究的项目。但这也将增加对更先进的重建工具的需求。

Argonne的博士后研究员Ming Ming表示，这是一个可解决的问题，但目前需要大量乏味的计算工作。Du是《科学进展》上发表的论文的主要作者，该论文描述了一种称为自动微分的技术可以比传统计算更灵活，更省力地帮助完成X射线图像的3D重建的方式。

证明该技术的仿真(研究团队称其为Adorym，用于通过动态建模进行基于差分的自动对象检索)在另一家美国能源部科学用户办公室Argonne Leadership Computing Facility(ALCF)的超级计算机上运行。Du在ALCF的Cooley集群上进行了编码和测试。

杜解释说，自动差异化是许多机器学习工具的基础。用数学术语来说，它计算梯度以最小化损失函数，尽管Du说这些相对简单的数字运算可以手动执行，但复杂的公式(例如X射线数据的3-D重构)需要大量的这些计算。

杜说：“任务很简单，但任务很多。” “这就是发明计算机要做的事情。简单但乏味的任务。”

雅各布森(Jacobsen)的研究团队此前在2018年于Optica上发表的一篇论文中揭示了一种新的成像方法，该方法可以对超出景深的物体进行成像。他们的模型称为多层优化对象恢复(MOOR)，该团队展示了其用于X射线刻印术的实用性，该技术通常以高分辨率对材料薄片进行成像。杜说，MOOR对X射线数据的每个方向都使用密集包装的多层模型，以创建较厚样本的3-D重建。

杜说，如果不进行自动区分，将这种方法放大用于更大样本的3D成像将是一项巨大的工作。该团队正在使用ALCF的Theta超级计算机，以不断努力构建一个框架，以进行大规模的自动差异化重建。

他说：“全息照相法可以对每个样品的整个镜头进行一次成像。” “问题在于对模型的微小调整意味着需要对梯度计算进行大量修改。自动微分改变了游戏。您可以对模型进行更改，而将其他所有内容留给计算机。”

杜提供使用寿命更长的电池，作为可以从这种计算方法中受益的研究项目的一个很好的例子。他说，要对电池电极上纳米级枝晶的生长进行成像，可能需要解决聚焦深度极限的问题，而自动微分技术可以帮助解决这一问题。

自动区分不是一个新主意。雅各布森(Jacobsen)说，几年前曾建议将其作为用于相干图像重建的工具，但当时尚不具备实现此功能的软件。但是，机器学习和神经网络的兴起使这项技术变得可访问。研究团队使用了一个名为TensorFlow的开源软件包来进行仿真。

雅各布森说：“计算机承担了沉重的负担，并且它的包装足够通用，可以用于X射线成像。”

到目前为止，根据Jacobsen所说，3-D重建仅在模拟数据上完成。该团队使用一个计算机制造的物体-中空的玻璃圆锥体-来表明可以使用自动微分进行更快的重建。下一步将是对物理样本进行测试，但是该技术的完整演示可能要等到下一代X射线设备启动并运行。

雅各布森说：“加速器技术的下一个跳跃即将到来。” “现在考虑这一点很重要。”