Brookhaven National Laboratory automatiza experimentos de rayos X y presenta una nueva técnica de imagen 3D de microchips

·por Henderson·Engineering
Brookhaven National Laboratory automatiza experimentos de rayos X y presenta una nueva técnica de imagen 3D de microchips
Puntos clave
  • Los experimentos de rayos X en el Brookhaven National Laboratory han comenzado a automatizarse, y la cantidad de datos requerida es solo una décima parte de lo habitual.
  • Los experimentos automatizados pueden funcionar durante horas sin intervención humana, enfocándose en áreas científicamente importantes.
  • El equipo colabora con NVIDIA para reconstruir imágenes en tiempo real, alcanzando una velocidad de 200 imágenes por segundo.
  • Esta tecnología puede ayudar en la obtención rápida y de alta resolución de imágenes de rayos X, aplicándose en la investigación de microelectrónica y materiales nano.

Los experimentos de rayos X en el Brookhaven National Laboratory han comenzado a automatizarse. La tecnología de aprendizaje automático selecciona las partes de las muestras que requieren un examen detallado y reconstruye imágenes 3D a medida que llegan los datos; en una prueba, la cantidad de datos requerida fue solo una décima parte de lo habitual. Estas demostraciones se llevaron a cabo en las instalaciones de usuarios del Departamento de Energía, National Synchrotron Light Source II (NSLS-II), como parte del proyecto SYNAPS-I, que se centra en la ciencia de neutrones y fotones - Inteligencia. Este proyecto es una iniciativa semilla bajo la misión de creación del Departamento de Energía, liderado por el Advanced Light Source del Lawrence Berkeley National Laboratory, en colaboración con el National Laboratory of Argentina, Oak Ridge National Laboratory, SLAC y Brookhaven.

Este proyecto de colaboración combina modelos de código abierto, asociaciones industriales y recursos computacionales avanzados.

Ventajas de los experimentos automatizados

En la sonda de rayos X de alta energía de NSLS-II, que es un microscopio de rayos X utilizado para imágenes a nivel nano en 2D y 3D, un equipo liderado por el científico jefe de haz, Yan Hanfei, realizó un experimento automatizado para analizar las imágenes obtenidas. El sistema marcó las áreas científicamente interesantes en muestras complejas y seleccionó estas ubicaciones para escaneos de alta resolución posteriores, sin intervención humana. "Esto permite que los experimentos automatizados funcionen durante horas, investigando áreas más grandes y recolectando datos de alta fidelidad solo de posiciones científicamente importantes", indicó Daniel Allen, líder del equipo de ingeniería de datos de NSLS-II.

Él señaló que los métodos tradicionales no pueden lograr esto de manera confiable.

Aplicaciones de la tecnología de reconstrucción en tiempo real

La segunda prueba se centró en la imagen de difracción de fase, que es una técnica computacional que construye imágenes 3D detalladas a través de múltiples mediciones individuales, utilizando microchips como muestras. Un modelo básico entrenado en el National Laboratory of Argentina reemplazó el proceso iterativo lento que normalmente se usa para reconstruir imágenes. El equipo colaboró con NVIDIA y su plataforma Holoscan para reconstruir imágenes en tiempo real, alcanzando una velocidad de 200 imágenes por segundo. Un modelo desarrollado y entrenado en NSLS-II puede reconstruir microchips utilizando solo una décima parte de los datos normalmente requeridos, lo que ayuda a manejar muestras delgadas y planas, ya que es más difícil recopilar conjuntos de datos tomográficos completos.

A continuación, el equipo ajustó el modelo Segment Anything Model 3 de Meta para que pudiera identificar automáticamente áreas de interés en materiales, estructuras y volúmenes 3D. Estos pasos permiten reducir el tiempo de escaneo y la dosis de radiación, al mismo tiempo que aceleran la velocidad de interpretación.

Yan Hanfei afirmó que esta tecnología puede ayudar en cualquier campo que necesite imágenes tomográficas de rayos X rápidas y de alta resolución, así como análisis de datos 3D rápidos. Ejemplos incluyen la búsqueda de estructuras y defectos enterrados en microelectrónica, el estudio de la degradación de electrodos de baterías y la caracterización de materiales nano complejos. Dijo que estas herramientas también ayudan a los usuarios a aprovechar mejor el tiempo limitado de haz.

Direcciones futuras de desarrollo

El equipo planea entrenar modelos básicos más robustos en conjuntos de datos más diversos y expandir este enfoque a otras técnicas de imagen 3D. Su objetivo principal es la imagen tomográfica en tiempo real. Actualmente, los investigadores generalmente recopilan todo el conjunto de datos de proyección antes de la reconstrucción. En un flujo de trabajo en tiempo real, la reconstrucción se iniciará al comienzo del experimento, y a medida que lleguen más datos de medición, las imágenes de baja resolución se irán aclarando. Combinado con la detección automática de características, esto permitirá que el haz se ajuste a sí mismo según sus observaciones. Sean McSweeney, director interino de estrategia de NSLS-II, indicó que este tipo de flujo de trabajo será fundamental para las instalaciones de usuarios de próxima generación.

Alexander Heckmer, contacto del proyecto SYNAPS-I, señaló que las instalaciones enfrentan los mismos desafíos, incluyendo la cantidad de datos que supera la velocidad de análisis humano y los cuellos de botella en la reconstrucción, y que ninguna instalación puede resolver estos problemas por sí sola. A medida que estas tecnologías maduran, el objetivo no es solo procesar los datos experimentales más rápido, sino también fortalecer la conexión entre mediciones, análisis y decisiones científicas, permitiendo que los experimentos respondan a sus hallazgos en tiempo real.

Potencial de la tecnología de imagen de rayos X automatizada

Los experimentos automatizados de rayos X en el Brookhaven National Laboratory marcan un avance importante en la investigación científica. Esta tecnología no solo puede reducir significativamente la cantidad de datos requeridos, sino que también mejora la eficiencia de la imagen, lo cual es especialmente importante para la investigación en microelectrónica y materiales nano. A medida que la tecnología madura, los investigadores podrán obtener y analizar datos más rápidamente, lo que facilitará una respuesta inmediata en la toma de decisiones científicas. Además, el desarrollo de este proceso automatizado podría convertirse en el núcleo de las instalaciones de usuarios del futuro, proporcionando un apoyo más robusto para diversas investigaciones científicas.

H
Sobre el autor
Henderson