A Fully Convolutional Approach to Denoising Structural Dynamics Data from X-Ray Photon Correlation Spectroscopy

Resumen Técnico: Un Enfoque Totalmente Convolucional para la Eliminación de Ruido en Datos de Dinámica Estructural de Espectroscopía de Correlación de Fotones de Rayos X

Planteamiento del Problema
La Espectroscopía de Correlación de Fotones de Rayos X (XPCS) es una técnica crítica para sondear la dinámica estructural en materiales, abarcando desde estados de equilibrio hasta estados de no equilibrio. El producto de datos central es la función de correlación de intensidad-intensidad de dos tiempos, $C_2(q, t_1, t_2)$, que cuantifica la evolución temporal. Sin embargo, los datos experimentales de $C_2$ se ven frecuentemente comprometidos por bajas relaciones señal-ruido (SNR) debido a condiciones limitadas por fotones, muestras sensibles a la radiación que requieren mediciones de baja dosis y artefactos del detector.

Los métodos convencionales de eliminación de ruido, como el filtrado gaussiano o de media, a menudo difuminan características finas de correlación esenciales. Aunque los Autoencoders de Eliminación de Ruido (DAE) han demostrado ser prometedores, sufren limitaciones significativas:

1. Tamaño de Entrada Fijo: Los DAE tradicionales dependen de capas totalmente conectadas, lo que requiere entradas de tamaño fijo. Esto hace necesario recortar o redimensionar matrices $C_2$ arbitrarias, perdiendo potencialmente el contexto estructural.
2. Sesgo en el Espacio Latente: La representación latente fija de los DAE estándar está moldeada por las dinámicas específicas de los datos de entrenamiento. Esto restringe la generalización a patrones de correlación cualitativamente diferentes (por ejemplo, dinámicas no Kohlrausch–Williams–Watts) y a menudo conduce a un suavizado excesivo o distorsión de la señal al aplicarse a sistemas complejos y de no equilibrio.
3. Requisitos de Datos: El entrenamiento efectivo a menudo requiere conjuntos de datos masivos y de alta fidelidad para poblar el espacio latente, lo cual es difícil de generar para condiciones experimentales diversas.

Metodología
Los autores proponen un Autoencoder de Eliminación de Ruido Totalmente Convolucional (FC-DAE) para abordar estas limitaciones.

• Arquitectura: El modelo se construye enteramente sobre capas convolucionales (estructura codificador-decodificador) sin capas totalmente conectadas. Utiliza un codificador con cinco capas convolucionales (canales de salida: 1, 4, 8, 16, 32) y un decodificador espejo que utiliza convoluciones transpuestas. Todas las capas utilizan núcleos de $3 \times 3$, paso 1 y relleno para preservar las dimensiones espaciales. Se utilizan funciones de activación de Unidad Lineal Exponencial (ELU), excepto en la capa de salida final. Esta arquitectura permite el procesamiento de entradas $C_2$ de dimensiones arbitrarias.
• Estrategia de Entrenamiento:
  • Conjunto de Datos: El modelo fue entrenado con 779 patrones $C_2$ derivados de 119 experimentos únicos en las líneas de haz CHX y CSX del NSLS-II, abarcando una amplia gama de comportamientos dinámicos, incluidas dinámicas complejas no KWW.
  • Generación de Objetivos: Dado que no se dispone de datos experimentales "libres de ruido" de verdad fundamental, los autores emplearon un enfoque de "profesor-alumno". Un DAE convencional (restringido a subregiones pequeñas y cuasi-equilibrio) se utilizó para generar objetivos proxy "libres de ruido" a partir de datos $C_2 crudos. El FC-DAE se entrenó luego con estos objetivos, aprendiendo a generalizar las estrategias de suavizado desde regiones locales fiables hacia estructuras globales más grandes y complejas.
  • Aumento: Las técnicas incluyeron invertir el eje de edad ($t_{age}$), submuestrear cuadros para simular diferentes resoluciones temporales y realizar bootstrapping de submuestreo de píxeles (del 50% al 5%) para crear niveles de ruido variables.
• Métricas de Fiabilidad: Para garantizar el rigor científico, los autores introdujeron métricas cuantitativas para evaluar la fidelidad de la reconstrucción y el sesgo inducido por el modelo:
  • Desplazamiento Relativo del Contraste ($\Delta\beta_{obs, rel}$): Mide el sesgo sistemático en el contraste de las motas.
  • Autocorrelación de Residuos: Analiza la diferencia entre las señales crudas y las eliminadas de ruido para asegurar que los residuos consistan en ruido no correlacionado en lugar de pérdida de señal estructurada.
  • Índice de Similitud Estructural (SSIM): Evalúa la preservación de patrones espaciales a gran escala.

Resultados Clave

• Generalización y Fidelidad: El FC-DAE recupera con éxito características dinámicas intrincadas, incluidos comportamientos oscilatorios e intermitentes, que los DAE convencionales a menudo fallan en reconstruir debido al suavizado excesivo. El modelo preserva la fidelidad estructural incluso en condiciones de baja SNR.
• Rendimiento Cuantitativo:
  • Estabilidad del Modelo: La varianza del conjunto a través de diez modelos entrenados independientemente resultó ser negligible ($\sim 10^{-4}$) en comparación con el contraste observado ($\sim 10^{-1}$), lo que indica que la inicialización aleatoria no impacta significativamente la extracción de parámetros.
  • Análisis de Sesgo: En regímenes de alto contraste ($\beta_{obs} > 0.1$), el desplazamiento relativo del contraste es inferior al 5%. Un sesgo significativo ocurre solo en regímenes de señal extremadamente baja ($\beta_{obs} < 0.05$) donde las fluctuaciones de ruido se identifican erróneamente como correlaciones físicas.
  • Extracción de Parámetros: Para datos complejos y oscilatorios, los parámetros extraídos de los datos eliminados de ruido por FC-DAE exhiben una incertidumbre estadística sustancialmente reducida y se alinean más estrechamente con los valores promediados del conjunto que los provenientes de datos crudos.
• Recuperación Limitada por Fotones:
  • El modelo demostró una recuperación robusta de componentes oscilatorios en $g_2$ a través de niveles de ruido con bootstrapping (hasta un submuestreo del 10%).
  • En pruebas dependientes del vector de onda, el FC-DAE restauró señales de correlación en alto $q$ (baja intensidad) a niveles de SNR comparables a los datos crudos en bajo $q$ (alta intensidad).
  • Los autores estiman que este enfoque podría permitir mediciones XPCS de dinámicas más rápidas aumentando la tasa de cuadros alcanzable en un factor de $\sim 4.4$, o inversamente, permitir mediciones al $\sim 23\%$ de la dosis original manteniendo una SNR comparable.

Significado y Afirmaciones
El artículo afirma que el FC-DAE proporciona un marco robusto y computacionalmente eficiente para la eliminación de ruido en datos XPCS que supera la rigidez de los DAE de espacio latente. Al aprovechar la invariancia espacial, el modelo generaliza a través de diversos regímenes dinámicos sin requerir tamaños de entrada fijos ni entrenamiento especializado para cada nuevo comportamiento dinámico.

El significado de este trabajo radica en su capacidad para:

1. Extender el Espacio de Parámetros Experimentales: Permitir el análisis fiable de dinámicas bajo condiciones limitadas por fotones y en vectores de onda más grandes (escalas de longitud más pequeñas) donde las estadísticas de conteo son pobres.
2. Mejorar la Resolución Temporal: Reducir la necesidad de promediado temporal extenso (agrupamiento), permitiendo la resolución de dinámicas de no equilibrio que evolucionan rápidamente.
3. Garantizar la Fiabilidad Científica: Proporcionar un conjunto de métricas cuantitativas para identificar casos donde el proceso de eliminación de ruido puede desviarse de un comportamiento físicamente significativo, asegurando que el método se aplique con la precaución adecuada en el análisis científico.

Los autores enfatizan que, aunque el método es poderoso, no es una solución "universal" para todo el ruido; las métricas de fiabilidad son esenciales para detectar cuándo el modelo encuentra dinámicas o niveles de ruido fuera de su distribución aprendida.