反復型ptychographic再構成の機械学習による加速

要旨: 反復型のptychographic再構成アルゴリズムはコヒーレントな回折イメージングで広く用いられているものの、現実的な実験条件では収束が遅くなることがあります。そこで本研究では、再構成中に適用する学習済みの高速フォワード演算子を導入することで、反復型のptychographic再構成を加速する機械学習を拡張した手法を提案します。標準的な反復を用いた初期のウォームアップの後、高速フォワード演算子が再構成をより収束した状態へと前進させ、その後で従来の反復的な更新を再開します。この戦略は、確立されたptychographicソルバの物理的整合性と柔軟性を維持しつつ、収束に必要な反復回数を削減します。モデルは多様なptychographicデータセットで学習され、別の年に取得された実験データで評価されることで、頑健性と時間的な汎化が示されます。従来の反復型ソルバと比べて、機械学習を拡張した手法は再構成品質が同等でありながら、Poisson負の対数尤度の観点でより速く収束し、総計算時間（ウォールクロック時間）を2倍以上削減します。この手法は既存の再構成パイプラインに統合され、シンクロトロンのビームラインにおいて本番環境で運用されており、リアルタイムの実験運用に対する実用性が実証されています。