与人工智能x射线成像;气候变化与人工智能跟踪。
x射线成像技术与人工智能
美国能源部阿贡国家实验室已经证明使用的人工智能(AI)加速的过程从连贯的x射线散射数据重构图像。
阿贡国家实验室的技术,称为PtychoNN,结合了一个叫做ptychography x射线成像技术和神经网络。这反过来使研究人员能够解码x射线图快,这可能有助于创新像医学、材料和能源。
Ptychography无透镜的,x射线相干成像技术。在一个系统中,这种技术产生的x射线图像样本。这是通过样品衍射或散射光束。光束反射样品和一个检测器。捕获的数据探测器所需的信息来重建高分辨率图像内部的样品或样本,据阿贡国家实验室的研究人员。
“挑战,然而,当x射线的光子携带两条信息——振幅或梁的亮度,和阶段,或多少光束变化时通过样例——探测器只捕捉一个,”据阿贡。
“因为探测器只能探测振幅和他们不能检测阶段,所有这些信息丢失,“阿贡的马丁·霍尔特说。所以我们需要重建它。”
这个重建过程是可行的,但缓慢。这就是神经网络,或机器学习,符合。人工智能的一种形式,使用机器学习算法在系统识别数据中的模式以及学习和预测信息。使用神经网络,机器学习承诺提供更快和更准确的结果在选择缺陷检测等领域。
使用机器学习,阿贡国家实验室的研究人员可以从x射线数据重建图像和预测它们比传统的方法快了近300倍。
说:“有两个关键外卖马修Cherukara,阿贡的计算机科学家。“如果今天数据采集是一样的方法,PtychoNN快300倍。但是它也可以减少的数据量需要获得产生图像。”
罗斯,物理学家阿贡,补充道:“接下来的显示,它作用于更多的数据集和日常使用的实现它。”
气候变化与人工智能跟踪
马里兰大学巴尔的摩县(UMBC)已经开发出一种机器学习技术来获得更多的见解在北极气候变化的影响。
多年来,研究人员收集的数据的变化在北极和南极。数据可以让研究人员了解气候变化的影响,冰盖融化,在这些地区。
这很重要,因为以下几个原因。如果研究人员能预测气候变化的严重性,他们可以更好地理解海平面的变化。
但处理数据是具有挑战性的。例如,美国国家航空航天局的流程收集和标记的极地数据涉及大量的手工工作,根据UMBC。和变化的数据可能需要几个月,甚至几年,根据UMBC。
有一些解决方案。研究人员从已收集数据的内部UMBC北极的冰层。收集到的数据是通过使用美国宇航局的冰桥行动。
NASA的地球极地冰的冰桥行动图像详细使用研究飞机机队。舰队配备科学仪器,这是一年一度的海冰的厚度的变化,冰川和冰原。它收集数据用于预测气候变化和海平面上升。
UMBC检查人员从飞机雷达收集的数据,然后使用深度学习的方法来解释信息。
“然而,在许多实际问题,即使一个大型数据集是可用的,深度学习方法显示不成功,由于原因如缺乏大标签数据集,数据中存在噪音或者缺失的数据,“Maryam Rahnemoonfar说,信息系统,UMBC副教授在冰河学杂志》上。别人为工作做出了贡献。
“在这项工作中,我们研究了多尺度深度学习模型和各种方法实现它在雷达图像检测层冰,“Rahnemoonfar在《华尔街日报》说。“重要的是要注意,最著名的光学图像深度学习的方法很有效,但不能产生可接受的结果,特别是为了传感器噪声的存在。深度学习的模型并不健壮的噪音中讨论的各种工作。在我们的实验表明,转移学习方法不适合雷达图像,而从头训练产生更好的结果。然而,后者需要领域专家提供的带注释的数据。”
为了避免这个问题的方法之一是生成合成数据。“尽管合成数据仅用于培训这项工作松散匹配实际的雪雷达,结果表明,合成数据可以成功地用于培训。未来的工作应该探索与合成训练数据匹配实际的噪声和信号统计雪雷达数据。在未来,我们打算将人工智能和物理模型,扩大模拟数据集,因此更好的培养我们的网络。我们还计划开发基于深度学习先进的噪声消除技术。计算冰从神经网络层的实际厚度也是我们研究的另一个方向,“Rahnemoonfar冰川学杂志上说。
|
|
|
|
|
|
|
|
|
|
留下一个回复