Un réseau de neurones améliore la précision de la ptychographie

La Ptychographie est une méthode d'imagerie avancée qui aide à créer des images détaillées de divers matériaux et échantillons biologiques. Ça fonctionne en projetant un faisceau de lumière ou d'électrons sur un échantillon et en capturant la lumière qui se disperse. Cette lumière dispersée forme des motifs qui peuvent être utilisés pour reconstruire l'image de l'échantillon. Cependant, pour que la ptychographie donne de bons résultats, il faut enregistrer avec précision les positions où la lumière frappe l'échantillon.

En pratique, il peut y avoir des erreurs dans ces positions enregistrées. Si ces erreurs sont grandes ou continuent à s'accumuler au fur et à mesure que le scan avance, il peut devenir difficile de les corriger avec des méthodes d'optimisation traditionnelles. Dans cet article, on présente une nouvelle façon de prédire ces positions de sonde en utilisant un réseau de neurones, qui peut traiter des motifs de diffraction uniques sans avoir besoin de s'appuyer sur des zones qui se chevauchent, généralement cruciales en ptychographie.

#Le problème des erreurs de position de sonde

Quand on utilise la ptychographie, les scientifiques planifient généralement le chemin de scan avant de commencer l'expérience. Ce chemin peut être une grille ou une spirale, où la sonde se déplace pour collecter des données à partir de divers points de l'échantillon. Cependant, des problèmes mécaniques ou des facteurs externes comme des variations de température peuvent faire que les positions réelles de la sonde diffèrent de celles prévues. Ces différences peuvent entraîner une baisse de la qualité des images reconstruites.

Les erreurs de position de sonde peuvent se classer en deux catégories :

1. Erreurs cumulatives : Ces erreurs s'accumulent à mesure que la sonde se déplace le long du chemin de scan. Par exemple, si la sonde a initialement une erreur, cette erreur peut affecter toutes les mesures suivantes.

2. Erreurs indépendantes : Ces erreurs surviennent de manière aléatoire et ne dépendent pas d'autres points. Elles proviennent souvent de défauts mécaniques ou d'inexactitudes dans l'équipement.

Pour les méthodes traditionnelles qui essaient de corriger ces erreurs, cela devient souvent compliqué, surtout lorsque les positions de la sonde sont très éloignées. Dans de tels cas, les motifs capturés peuvent ne pas se chevaucher suffisamment, rendant difficile la récupération des informations nécessaires pour améliorer la qualité de l'image.

#Une nouvelle approche avec des réseaux de neurones

Pour résoudre ces problèmes, on a développé une méthode qui utilise un réseau de neurones pour prédire les positions de la sonde. C'est un changement significatif par rapport aux approches traditionnelles, car cela permet des corrections même lorsque les données de position d'origine sont erronées. Le réseau de neurones est entraîné pour effectuer un type de récupération de phase, un processus où il génère des images à partir des motifs de diffraction collectés à chaque point du scan.

#Étape 1 : Récupération de phase en un seul coup

La première partie de notre nouvelle méthode consiste à utiliser le réseau de neurones pour analyser chaque motif de diffraction de manière indépendante. Le réseau de neurones entraîné peut reconstruire des images à partir de motifs individuels sans avoir besoin de chevauchement avec des motifs voisins. Cette capacité est connue sous le nom de récupération de phase en un seul coup et nous permet de travailler avec des échantillons même lorsqu'il y a des erreurs significatives dans les positions de la sonde.

#Étape 2 : Enregistrement des images

Après avoir récupéré les images à partir des motifs de diffraction individuels, on utilise un processus d'Enregistrement d'images. Cette étape nous aide à déterminer comment les images reconstruites à partir de différents points de scan se rapportent les unes aux autres en termes de positionnement. En calculant les décalages entre les paires d'images, on peut mieux comprendre les vraies positions où la sonde aurait dû être.

#Étape 3 : Affinage des positions

Avec les décalages estimés, on peut créer un ensemble complet de positions de sonde prédites pour l'ensemble du scan. Cet ensemble peut être affiné davantage en utilisant des méthodes d'optimisation traditionnelles pendant le processus de reconstruction, ce qui aide à améliorer la précision des résultats qu'on obtient de la ptychographie.

#Applications pratiques

Cette méthode n'est pas juste une amélioration théorique ; elle a des implications pratiques. Pour les installations qui n'ont pas d'équipement avancé pour suivre précisément les positions de sonde, notre nouvelle approche peut apporter des bénéfices significatifs.

#Tester la méthode

Pour tester notre méthode proposée, on a collecté des données de différents échantillons dans une installation de recherche. Certains échantillons avaient des erreurs introduites délibérément pour analyser combien notre méthode pouvait faire face à ces défis.

Les résultats ont montré que notre méthode pouvait prédire avec précision les positions de la sonde, même dans les cas où les erreurs étaient considérables. La précision moyenne de prédiction était dans quelques pixels, bien meilleure que de se fier uniquement à des techniques d'optimisation traditionnelles qui ont souvent du mal avec de plus grandes erreurs.

#Comparer les résultats

Dans nos tests, on a effectué des reconstructions ptychographiques en utilisant trois points de départ différents pour les positions de la sonde :

1. Positions réelles : Les emplacements réels où la sonde aurait dû être.
2. Positions nominales : Les positions prévues utilisées pour les scans.
3. Positions prédites : Les positions prédites par notre méthode de réseau de neurones.

En comparant la qualité des images reconstruites à partir de ces différents ensembles de positions, on a constaté qu'utiliser nos positions prédites conduisait souvent à des images plus nettes et plus claires. En particulier, en partant de positions avec de grandes erreurs cumulatives, notre approche s'est avérée supérieure pour produire des reconstructions de haute qualité.

#Résultats de divers échantillons

Pour le premier ensemble d'échantillons, qui consistait en un graphique de calibration avec divers motifs gravés, on a noté qu'utiliser les positions prédites améliorait significativement les résultats par rapport aux positions nominales. Les images reconstruites avec nos positions prédites affichaient une grande clarté et des détails.

Pour un autre ensemble de tests utilisant un motif en étoile Siemens, qui contenait naturellement à la fois des erreurs cumulatives et indépendantes, les positions prédites réduisaient efficacement les distorsions dans les images finales. Les décalages dans les images reconstruites avec les positions nominales ont été corrigés lorsque l'on utilisait les positions prédites.

#Évaluation de la précision des prédictions

Pour évaluer à quel point nos positions prédites étaient précises, on a introduit un métrique qu'on a appelée l'erreur quadratique moyenne des positions par paires (RMS-PPE). Cette métrique se concentre sur la mesure des erreurs par rapport aux positions réelles connues plutôt qu'à des valeurs absolues, minimisant le biais qui pourrait découler des différences générales entre tous les ensembles de positions.

Le RMS-PPE a montré que même sans affinage supplémentaire, les positions prédites étaient déjà assez proches des vraies positions. De plus, lorsque les positions prédites étaient utilisées comme suppositions initiales pour un affinage basé sur l'optimisation, les résultats s'amélioraient encore davantage, atteignant souvent une précision à un chiffre en pixels.

#Défis et améliorations futures

Bien que notre méthode ait montré des avantages considérables, il y a encore des défis à relever. Par exemple, la performance de notre réseau de neurones pourrait diminuer avec des échantillons faiblement diffusants où les motifs de diffraction sont moins distincts.

Pour y remédier, on prévoit d'améliorer nos processus d'entraînement et potentiellement de combiner notre approche avec des techniques auto-supervisées qui ne reposent pas énormément sur de grands ensembles de données. Cela pourrait permettre au réseau d'apprendre plus efficacement à partir de moins d'exemples, le rendant plus adaptable à divers types d'échantillons.

On souhaite également améliorer notre processus d'enregistrement d'images. Si les points de scan voisins n'ont pas de caractéristiques fiables à associer, cela peut entraîner des inexactitudes. On explore des moyens de mieux gérer de telles situations, notamment pour les cas où l'échantillon a des caractéristiques rares ou est dominé par des régions à faible contraste.

#Conclusion

En résumé, la nouvelle méthode de prédiction des positions de sonde ptychographiques utilisant un réseau de neurones représente une avancée significative dans le domaine. Elle permet une reconstruction d'images précise même en présence d'erreurs de position majeures et offre une solution pratique pour les expériences sans systèmes de suivi sophistiqués.

Grâce à des améliorations continues et à d'autres tests sur un éventail plus large d'échantillons, on vise à affiner cette technique et à faire face aux défis qui restent, assurant des capacités d'imagerie de haute qualité dans divers domaines de recherche scientifique.