迈向可泛化的深度层析神经网络

《npj Computational Materials》：Towards generalizable deep ptychography neural networks

　　

摘要

X射线叠层成像是一种数据密集型的成像技术，有望在能够提供数倍更高相干通量的下一代光源中得到广泛应用。在快速采集速率下，实时反馈的需求促使人们采用深度神经网络等替代重建模型，这类模型相比传统方法具有数量级更高的速度优势。然而，现有的深度学习方法在各种不同的实验条件下的稳定性较差。我们提出了一种无监督训练流程，通过结合实验测量的探针数据与人工生成的合成对象来强化探针条件作用。这种以探针为中心的方法使得一个基于物理原理的神经网络能够在多条光路下重建未曾见过的实验结果，这是首批实现多探针泛化的演示之一。我们发现，探针条件作用与分布内训练同样重要；使用这种合成训练流程训练出的模型，即便更换合成训练对象的类型，其重建精度也能与仅使用实验数据训练的模型相媲美。所提出的方法还有助于训练能够在动态实验条件下提供实时反馈的实验控制模型。