Do konca letného semestra som vytvoril simulačný framework pre röntgenové zobrazovanie v jazyku Python, určený na generovanie 4D datasetov. To zahŕňalo:

tvorbu molekulárnej simulácie pomocou LAMMPS
konverziu výstupov (pozície atómov) do štruktúrovaného dátového formátu,
priradenie indexu lomu rôznym typom atómov pre simuláciu viacerých materiálov,
prevod atómových pozícií na voxelovú 3D reprezentáciu,
riešenie problémov ako anti-aliasing, diskretizácia súradníc, rotácia gridu a interpolácia na redukciu artefaktov,
implementáciu raycastingu (CPU aj GPU) pre generovanie projekcií.

Okrem toho som sa oboznámil s rôznymi typmi reprezentácií, vrátane:

voxelovej reprezentácie,
Gaussian splattingu (grafické primitívy, komprimované formáty),
fyzikálne inšpirovaných neurónových sietí založených na parciálnych diferenciálnych rovniciach (napr. modely kompresibilných kvapalín alebo Navier–Stokesove rovnice).

V nasledujúcich mesiacoch sa zameriam na implementáciu vybraných metód a ich porovnanie z hľadiska presnosti a efektivity.

Kódovanie 3D objektov pre výpočtovo efektívne rozoznávanie dynamiky technikami strojového učenia. Tomoskopický experiment.

Ciele

1. Vytvoriť prehľad existujúcich metód strojového učenia aplikovaných na rozpoznávanie 3D objektov z projekčných dát s poukázaním na ich silné stránky a obmedzenia.

2. Modifikovať a rozšíriť súčasné prístupy strojového učenia na predpovedanie časového vývoja deformovateľných objektov a navrhnúť inovatívne riešenia na riešenie problémov dynamických 3D objektov.

3. Implementovať navrhnutú metódu efektívnej reprezentácie dát pre použitie existujúcimi technikami strojového učenia a porovnať úspešnosť navrhnutého riešenia s inými dostupnými štúdiami.

Literatúra

[1] Koliyadu, Jayanath C. P., Mosko Daniel, Asimakopoulou Eleni M., Bellucci Valerio, Birnsteinova Sarlota, Bean Richard, Letrun Romain, Szeles Peter, Ulicny Jozef, Tokushi Sato, Vagovic Patrik et al. “Development of MHz X-Ray Phase Contrast Imaging at the European XFEL,” Accepted to Journal of Synchrotron Radiation, ref. yi5159, 2024

[2] Brunton, Steven L., and J. Nathan Kutz. Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control. Cambridge New York, NY Port, Melbourne, New Delhi, Singapore: Cambridge University Press, 2019. https://doi.org/10.1017/9781108380690.

[3] Kerbl, Bernhard, Georgios Kopanas, Thomas Leimkühler, and George Drettakis. “3D Gaussian Splatting for Real-Time Radiance Field Rendering.” arXiv, August 8, 2023. https://doi.org/10.48550/arXiv.2308.04079.

[4] Paganin, David. Coherent X-Ray Optics. Oxford Series on Synchrotron Radiation 6. Oxford; New York: Oxford University Press, 2006.

[5] Project: 101046448 — MHz-TOMOSCOPY — HORIZON-EIC-2021-PATHFINDEROPEN-01 , tomoscopy.eu

[6] Zhang, Yuhe, Zisheng Yao, Tobias Ritschel, and Pablo Villanueva-Perez. “ONIX: An X-Ray Deep-Learning Tool for 3D Reconstructions from Sparse Views.” Applied Research, 2023. https://doi.org/10.1002/appl.202300016.

Effective representations of tomoscopy experiments suitable for machine learning

Diplomová práca

Názov (SK)

Školiteľ

Konzultant

Ciele

Literatúra