<button id="4reqh"><object id="4reqh"><menuitem id="4reqh"></menuitem></object></button>
        1. <span id="4reqh"></span>

          <button id="4reqh"><acronym id="4reqh"><input id="4reqh"></input></acronym></button>
          <th id="4reqh"></th>
            <tbody id="4reqh"><p id="4reqh"></p></tbody>
          1. 這個電鏡,也太酷了吧!
            納米人 2021-06-28

            研究背景

            原位電子顯微技術 (EM) 與超快探測器的發展為探索材料的動力學打開了一扇新的大門,然而,這也對透射電鏡大數據壓縮和存儲提出了巨大的挑戰。開發一種高效高保真的大數據壓縮策略對于推動透射電子技術的廣泛應用具有重要意義。


            成果簡介

            近日,加州大學爾灣分校的Huolin Xin教授團隊及貝爾實驗室Xin Yuan在Cell Press旗下期刊Patterns上發表了題為“Super-compression of large electron microscopy time series by deep compressive sensing learning”的文章。在這一工作中, 作者結合深度學習(deep learning)和時間壓縮感知(temporal compressive sensing)提出一種新穎的 EM 大數據壓縮策略。


            招聘信息:忻獲麟的課題組(DeepEMLab.com)歡迎致力于研究和拓展電子顯微學、聚合物、電池和規模生產方向的學生、博士后、學者加入和訪問。有興趣的同學請email簡歷至 huolinx@uci.edu。(導師簡介請見文末)


            圖片.png

            第一作者:Siming Zheng(鄭巳明),Chunyang Wang(王春陽)

            通訊作者:Xin Yuan, Huolin Xin(忻獲麟)

            通訊單位:加州大學爾灣分校,貝爾實驗室


            電子顯微鏡 (EM) 是當今探測材料結構和化學的最強大工具之一。其高空間分辨率和化學敏感性在生物學、物理學、化學和材料科學中具有廣泛的應用。與此同時,計算機技術與電子顯微鏡的發展,尤其是原位透射電子技術、電子層析三維重構、4D-STEM等技術的飛速進展使得電子顯微學的應用越來越依賴大數據處理和存儲。特別是,直接電子探測器的廣泛使用使得成像速度高達每秒數千幀 (fps)。


            一方面,這使研究人員能夠以超高的時間分辨率獲取更多數據,以發現自然界中的新現象。另一方面,它對處理、存儲和傳輸電鏡視頻或圖像提出了巨大挑戰。壓縮感知 (Compressive Sensing) 作為一種高效的信號處理技術,已廣泛用于電鏡數據采集和重建。它已被廣泛用于捕獲高維數據。只要數據或信號在某個變換域中是可壓縮或稀疏的,就可以用一個測量矩陣將變換得到的高維數據投影到低維空間上,通過解決優化問題,可以從少數投影中以高概率重建原始數據。


            目前,盡管壓縮感知被嘗試用來解決電鏡數據采集和處理,但由于以下缺點,挑戰仍然存在。一方面,基于迭代的性質使得傳統的重建算法非常耗時。另一方面,有些任務對硬件的要求更高,而且壓縮比越高,壓縮效果也無法令人滿意。


            鑒于此,通過結合壓縮感知和深度學習,作者提出了一種新穎的編碼-解碼策略來應對大數據 EM 面臨的挑戰。具體而言,時間壓縮感知 (TCS) 首先用作編碼器,將多個幀壓縮為單幀測量,顯著降低了帶寬和數據傳輸、存儲的內存要求。然后構建端到端的深度學習網絡,以極高的速度從單幀測量中重建原始圖像系列。由于深度學習框架的壓縮效率和內置去噪能力比傳統的 JPEG 壓縮顯著提高,因此可以高保真地重建壓縮比高達30的原位系列圖像或視頻。使用這一策略可以節省大量的編碼能力、內存和傳輸帶寬。這一技術將有望在電鏡和其他成像技術的大數據存儲中獲得廣泛應用。


            圖片.png

            圖1. 用于大數據電子顯微鏡 (EM) 的時間壓感知-深度學習(TCS-DL) 框架結構。


            圖片.png

            圖2.TCS-DL 框架應用于原位原子分辨率透射電鏡圖像壓縮-解壓縮。


            圖片.png

            圖3. TCS-DL 框架與JPEG壓縮方法的評估與對比。


            圖片.png

            圖4.TCS-DL 和 JPEG 在不同壓縮比下的平均 PSNR與SSIM。


            參考文獻

            Siming Zheng, Chunyang Wang, Xin Yuan, Huolin L. Xin. Super-compression of large electron microscopy time series by deep compressive sensing learning. Patterns (2021).

            DOI: 10.1016/j.patter.2021.100292

            https://doi.org/10.1016/j.patter.2021.100292


            作者簡介

            圖片.png

            招聘信息:忻獲麟的課題組(DeepEMLab.com)歡迎致力于研究和拓展電子顯微學、聚合物、電池和規模生產方向的學生、博士后、學者加入和訪問。有興趣的同學請email簡歷至 huolinx@uci.edu。


            導師介紹:忻獲麟教授,康奈爾大學博士學位。2013年到2018年間,他在布魯克海文實驗室建立了三維原位表征課題組。2018年夏,轉職于美國加州大學尓灣分校物理系并建立了以深度學習為基礎的人工智能和能源材料研究組DeepEM Lab。忻獲麟教授是電子顯微學領域國際上的知名專家,是電鏡行業頂級年會Microscopy and Microanalysis 2020的大會主席以及2019年的大會副主席,是NSLSII光源的科學顧問委員會成員,是布魯克海文國家實驗室的功能納米材料中心和勞倫斯伯克利國家實驗室提案審查委員會成員。他于2021年獲得Materials Research Society的杰青獎(Outstanding Early-Career Investigator Award),Microscopy Society of America 的伯頓獎章(Burton Medal),UC Irvine的杰青獎(UCI Academic Senate Early-Career Faculty Award); 2020年獲得能源部杰青獎(DOE Early Career Award)。他在表征和清潔能源方面的研究受到政府和大型企業的關注。2018年至今三年不到的時間,他作為項目帶頭人(Lead PI)得到政府和企業界超過四百五十萬美元的資助用于其課題組在綠色儲能,電/熱催化和軟物質材料方向的研究。他是Nature, Nat. Mater, Nat.Energy, Nat. Nanotechnol., Nat. Commun., Sci. Adv., Joule, Nano Lett., Adv. Mater. 等眾多期刊的審稿人。他從事人工智能電鏡和深度學習、原子級掃描透射電鏡以及能譜相關的理論和技術、高能電子隧道理論以及三維重構理論等方向的研究。除了理論和方法學的研究,他應用三維電子斷層掃描術對鋰電池、軟硬物質界面、金屬催化劑等多方面進行了深入的研究。其課題組發表文章超過280篇,其中在Science,Nature,Nat. Mater.,Nat. Nanotechnol.,Nat. Energy,Nat. Catalysis,Nature Commun. 這幾個頂級期刊上發表文章36篇,(其中11篇作為通訊發表)。




            加載更多
            193

            版權聲明:

            1) 本文僅代表原作者觀點,不代表本平臺立場,請批判性閱讀! 2) 本文內容若存在版權問題,請聯系我們及時處理。 3) 除特別說明,本文版權歸納米人工作室所有,翻版必究!
            納米人
            你好測試
            copryright 2016 納米人 閩ICP備16031428號-1

            關注公眾號

            日本三级手机在线播放线观看,日本特黄特黄刺激大片,44800青苹果高清影院免费,欧美一区二区,在线观看免费人成视频色9