Machine Learning for Detection of 3D Features using sparse X-ray data

要約

多くの慣性閉じ込め核実験では、中性子収量やその他のパラメータを1次元および2次元モデルで完全に説明することはできません。
この不一致は、重要な可能性のある3次元効果があることを示唆しています。
これらの影響の原因には、シェルとシェルインターフェイスの欠陥、カプセルの充填チューブ、およびダブルシェルターゲットのジョイント機能が含まれます。
X線は材料を透過する能力があるため、オブジェクトの内部構造をキャプチャするために使用されます。
計算トモグラフィーなどの方法では、オブジェクトの3次元モデルを再構築するために、何百もの投影からのX線写真を使用します。
National Ignition FacilityやOmega-60などの実験環境では、これらのビューを利用できることはほとんどなく、多くの場合、単一の視線のみで構成されています。
スパースビューからの3Dオブジェクトの数学的再構成は、不適切な逆問題です。
これらのタイプの問題は、通常、事前情報を利用することによって解決されます。
ニューラルネットワークは、この事前情報をエンコードして活用できるため、3D再構成のタスクに使用されてきました。
半ダースの異なる畳み込みニューラルネットワークを利用して、実験データからICF爆縮のさまざまな3D表現を生成します。
深い監視を利用してニューラルネットワークをトレーニングし、高解像度の再構成を生成します。
これらの表現を使用して、アブレーター、内殻、殻の半球間の関節などのカプセルの3D機能を追跡します。
さまざまな事前知識によって補完された機械学習は、一般にICFおよびX線ラジオグラフィーでの3D再構成のための有望な方法です。

要約(オリジナル)

In many inertial confinement fusion experiments, the neutron yield and other parameters cannot be completely accounted for with one and two dimensional models. This discrepancy suggests that there are three dimensional effects which may be significant. Sources of these effects include defects in the shells and shell interfaces, the fill tube of the capsule, and the joint feature in double shell targets. Due to their ability to penetrate materials, X-rays are used to capture the internal structure of objects. Methods such as Computational Tomography use X-ray radiographs from hundreds of projections in order to reconstruct a three dimensional model of the object. In experimental environments, such as the National Ignition Facility and Omega-60, the availability of these views is scarce and in many cases only consist of a single line of sight. Mathematical reconstruction of a 3D object from sparse views is an ill-posed inverse problem. These types of problems are typically solved by utilizing prior information. Neural networks have been used for the task of 3D reconstruction as they are capable of encoding and leveraging this prior information. We utilize half a dozen different convolutional neural networks to produce different 3D representations of ICF implosions from the experimental data. We utilize deep supervision to train a neural network to produce high resolution reconstructions. We use these representations to track 3D features of the capsules such as the ablator, inner shell, and the joint between shell hemispheres. Machine learning, supplemented by different priors, is a promising method for 3D reconstructions in ICF and X-ray radiography in general.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google