神经网络加速X射线成像重建

科学家演示用人工智能（AI）加速相干X射线散射数据图像重建过程。传统X射线成像技术（如医用X光片）提供细节有限。这催生相干X射线成像方法，能提供材料深处几纳米甚至更高分辨率图像。这些技术无需透镜，通过绕射或散射束流射样品直接到探测器生成X射线图像。

探测器捕获的数据含重建高保真图像所需所有信息，计算科学家用先进算法可做到。这些图像助科学家设计更好电池、制造更耐用材料、开发更好药物疾病治疗。

用计算机从相干散射X射线数据组装图像的过程称作棱镜照相术（ptychography），团队用神经网络学习将数据拉成相干形式——故创新名为PtychoNN。

X射线束击中样品，光绕射散射，样品周围探测器收集光。科学家再将数据转化为可用信息。挑战在于：X射线束光子携带两信息——振幅（束亮度）和相位（束通过样品变化量）——探测器仅捕获振幅，无法检测相位，所有相位信息丢失必须重建。

虽可做但过程慢于科学家期望。部分挑战在数据获取端。为从相干衍射成像实验重建相位数据，当前算法需科学家采集更多振幅数据，耗时更长。实际重建也需时间。PtychoNN在此发挥作用。用AI技术，研究者演示计算机可学会从X射线数据预测重建图像，比传统方法快300倍。更甚者，PtychoNN能加速两端过程。

传感器