Para ilmuwan dari Laboratorium Argonne National Amerika Serikat berhasil menggunakan Deep Learning (pembelajaran mendalam) dan strategi kecerdasan buatan (AI) untuk meningkatkan Advanced Photon Source (APS) saat ini dan memvisualisasikan data sinar-X dalam bentuk tiga dimensi.
CDI NN diimplementasikan menggunakan arsitektur yang seluruhnya terdiri dari convolutional, max pooling dan upsampling layer.
Semua aktivasi adalah rectified linear units (ReLU) kecuali untuk lapisan konvolusi akhir yang menggunakan aktivasi sigmoidal.
Baca Artikel Lainnya Tentang Cryptocurrency :
- Menggali Mata Uang Kripto hingga ke Akarnya
- Keuntungan Kriptografi dalam Investasi Kripto
- Tips Aman Berinvestasi Kripto
Para peneliti telah mengembangkan kerangka kerja komputasi baru yang disebut 3D-CDI-NN. Kerangka kerja tersebut telah menunjukkan dapat membuat visualisasi 3D dari data yang dikumpulkan di APS secara signifikan lebih cepat daripada metode tradisional.
Coherent diffraction imaging (CDI) adalah teknik sinar-X yang memantulkan berkas sinar-X ultra-terang dari sampel. Berkas cahaya kemudian dikumpulkan oleh detektor sebagai data dan diubah menjadi gambar.
Menurut Mathew Cherukara, pemimpin kelompok Ilmu X-ray Komputasi di Divisi Ilmu X-ray Argonne (XSD), detektor saat ini hanya menangkap beberapa informasi sinar.
Para ilmuwan mengandalkan komputer untuk mengisi data yang hilang. Namun, prosesnya bisa memakan waktu yang cukup lama. Solusinya, menurut Mathew adalah melatih kecerdasan buatan untuk mengenali objek dan perubahan yang mereka alami langsung dari data mentah, tanpa harus memperhitungkan informasi yang hilang.
Tim melatih jaringan saraf dengan data simulasi sinar-X. Jaringan saraf adalah serangkaian algoritma yang dirancang untuk mengajarkan komputer untuk memprediksi hasil berdasarkan data yang diterimanya.
Setelah menguji kemampuan 3D-CDI-NN untuk mengisi informasi yang hilang, para ilmuwan melihat bahwa jaringan dapat merekonstruksi gambar dengan lebih sedikit data daripada yang biasanya diperlukan untuk mengkompensasi informasi yang terlewatkan oleh detektor.
Menurut tim, mereka perlu terus mengumpulkan data dan membuat jaringan belajar darinya.
“Untuk memanfaatkan sepenuhnya kemampuan APS yang ditingkatkan, kami harus menemukan kembali analitik data,” Tegas Matthew.
“Metode kami saat ini tidak cukup untuk mengimbangi. Pembelajaran mesin dapat memanfaatkan sepenuhnya dan melampaui apa yang saat ini dimungkinkan.” Tambahnya.
Penggabungan teknologi baru ini juga berpotensi untuk memajukan teknologi pencitraan 3D terkait struktur biologis manusia.
