Résumé technique : MAGPIE – Solveur guidé adaptatif multiniveau pour la récupération de phase ptychographique

1. Énoncé du problème

L'article traite du problème de récupération de phase ptychographique, un problème inverse critique en imagerie diffractive cohérente utilisé pour reconstruire des images complexes à haute résolution d'objets à partir d'une série de figures de diffraction. Dans cette configuration expérimentale, un faisceau cohérent balaye des régions chevauchantes d'un objet, mais seule l'intensité (le carré du module) des ondes diffractées est mesurée, entraînant la perte de l'information de phase.

Mathématiquement, cela se formule comme un problème d'optimisation non convexe et mal posé. L'objectif est de retrouver l'objet $z^*$ à partir des intensités mesurées $\{d_k\}$ en minimisant une fonction objectif d'écart aux données. Le problème se caractérise par :

• Non-convexité : La fonction objectif possède plusieurs minima locaux, rendant l'optimisation globale difficile.
• Mal-posé : L'absence d'information de phase et le bruit potentiel rendent la solution instable sans régularisation.
• Structure multiscale : Les objets à reconstruire contiennent à la fois des caractéristiques globales grossières et des détails locaux fins, nécessitant différents niveaux de précision numérique.

Les solutions existantes, telles que le Moteur Iteratif Ptychographique (PIE) et sa variante régularisée (rPIE), utilisent des mises à jour itératives basées sur des modèles de substitution quadratiques. Bien qu'efficaces, ces méthodes peuvent souffrir d'une convergence lente et d'une sensibilité au bruit. À l'inverse, les méthodes d'Optimisation Multigrille (MG/OPT), qui résolvent des problèmes sur une hiérarchie de grilles pour accélérer la convergence, ont été appliquées à la ptychographie mais peinent souvent avec la compatibilité entre les modèles de niveaux grossiers et fins et nécessitent un réglage manuel des hyperparamètres.

2. Méthodologie : MAGPIE

Les auteurs proposent MAGPIE (Moteur Iteratif Ptychographique Guidé Adaptatif Multiniveau), un solveur stochastique multigrille qui intègre le cadre de minimisation itérative de PIE avec l'accélération hiérarchique de MG/OPT.

2.1 Modélisation de substitution et majoration

Le cœur de la méthode consiste à reformuler la fonction objectif non convexe originale $\Phi(z)$ comme la minimisation itérative d'un modèle de substitution quadratique $\tilde{\Phi}(z; z^{(j)})$.

• Majoration : Le substitut est construit pour majorer l'objectif original, ce qui signifie $\Phi(z) \leq \tilde{\Phi}(z; z^{(j)})$ pour tout $z$, avec égalité à l'itération courante $z^{(j)}$.
• Propriétés : Cette construction garantit que la minimisation du substitut fournit une direction de descente pour l'objectif original, assurant une décroissance monotone de la perte et une convergence sous-linéaire vers un point stationnaire.
• Stochasticité : L'algorithme emploie une stratégie stochastique, mélangeant aléatoirement les régions de balayage et les mettant à jour séquentiellement, de manière similaire au rPIE.

2.2 Stratégie d'optimisation multiniveau

MAGPIE introduit une hiérarchie multigrille pour résoudre le modèle de substitution. Contrairement aux approches MG/OPT standard où les modèles de grille grossière sont des approximations génériques, MAGPIE construit des substituts de grille grossière conscients de la structure qui sont naturellement compatibles avec le problème de grille fine.

• Construction hiérarchique : La méthode définit un substitut de grille grossière $\tilde{\Phi}_{H,k}$ dérivé du substitut de grille fine $\tilde{\Phi}_k$.
• Pondération adaptative : Pour assurer la cohérence entre les niveaux, la méthode introduit des vecteurs de poids spécifiques ($W_z, W_R, W_u^H$) pour le sous-échantillonnage de l'objet, de l'onde de sortie révisée et du vecteur de régularisation.
  • $W_z$ effectue une moyenne pondérée par bin, attribuant un poids plus élevé aux régions présentant une intensité de sonde plus élevée (rapport signal sur bruit plus élevé).
  • Ces poids sont dérivés analytiquement pour garantir que le minimiseur de grille grossière corresponde au minimiseur de grille fine sous-échantillonné, éliminant ainsi le besoin d'un « terme de correction » souvent requis dans les MG/OPT standards.
• Régularisation automatique : Une caractéristique clé est la sélection automatique des paramètres de régularisation pour les niveaux plus grossiers. Une fois les paramètres ajustés sur la grille la plus fine, le vecteur de régularisation de grille grossière $u_H$ est dérivé automatiquement via le vecteur de poids $W_u^H$, simplifiant l'implémentation.

2.3 L'algorithme (MAGPS)

Le solveur fonctionne via un Solveur Proximal Guidé Adaptatif Multiniveau (MAGPS) récursif :

1. Lissage préliminaire : Quelques itérations de la mise à jour de grille fine sont effectuées.
2. Restriction : Le problème est mappé sur une grille plus grossière en utilisant les poids adaptatifs.
3. Résolution grossière : Le substitut de grille grossière est minimisé (récursivement, si des niveaux plus profonds existent).
4. Prolongation : La correction de grille grossière est interpolée de retour sur la grille fine, fournissant une direction de mise à jour « guidée ».
5. Lissage postérieur : Une mise à jour finale de grille fine est appliquée.

3. Contributions clés

1. Architecture de solveur novatrice : MAGPIE est le premier solveur à intégrer de manière transparente le cadre de majoration-minimisation de PIE avec une stratégie d'optimisation multigrille spécifiquement conçue pour la structure par blocs de la ptychographie.
2. Garanties théoriques : L'article fournit des preuves rigoureuses pour :
   • Majoration : Le modèle de substitution borne strictement l'objectif original.
   • Descente monotone : L'algorithme garantit une diminution de la fonction objectif à chaque étape.
   • Convergence sous-linéaire : Une borne sur l'erreur de stationnarité est établie.
   • Cohérence : Le substitut de grille grossière est prouvé être cohérent avec le substitut de grille fine sous le schéma de pondération proposé.
   • Bien-posé : Les poids adaptatifs préviennent les singularités même lorsque les intensités de sonde sont proches de zéro.
3. Réglage automatique des hyperparamètres : La méthode élimine le besoin d'un réglage manuel des paramètres de régularisation sur les grilles grossières, les dérivant automatiquement des paramètres de grille fine pour assurer la stabilité et les propriétés de descente.
4. Efficacité computationnelle : La méthode réalise des gains substantiels en vitesse de convergence et en qualité de reconstruction avec un coût computationnel supplémentaire négligeable par itération par rapport au rPIE standard, car les corrections multigrille opèrent sur des domaines plus petits.

4. Résultats numériques

Les auteurs évaluent MAGPIE par rapport au rPIE et au L-BFGS en utilisant des objets synthétiques (Babouin/Cameraman et inspirés de circuits intégrés) et une sonde de plaque de zone de Fresnel simulée.

• Profondeur multigrille : L'augmentation du nombre de niveaux grossiers (jusqu'à $\log_2(m)$) améliore constamment la vitesse de convergence et la précision de reconstruction. La hiérarchie la plus profonde (7 niveaux pour $m=128$) surpasse les variantes plus peu profondes et les méthodes à grille unique.
• Robustesse au bruit : Sous différents niveaux de bruit de Poisson ($\eta = 0.05$ à $0.4$), MAGPIE atteint le critère d'arrêt plus tôt et maintient des erreurs de reconstruction inférieures à celles du rPIE et du L-BFGS. Il est particulièrement robuste dans les régimes à fort bruit où d'autres méthodes peinent.
• Taux de chevauchement : MAGPIE se distingue sur différents taux de chevauchement (0,25 à 0,75). Dans les scénarios à faible chevauchement (0,25), où la redondance des données est réduite, MAGPIE atteint des erreurs significativement inférieures à celles des concurrents, qui échouent souvent à converger vers des solutions de haute qualité malgré la minimisation du résidu.
• Objets réalistes : Les tests sur des objets avec des frontières éparses (simulant des circuits intégrés) confirment que les avantages de MAGPIE ne se limitent pas aux effets de frontière mais s'appliquent à la reconstruction globale.

5. Importance et affirmations

L'article affirme que MAGPIE représente une avancée significative dans la résolution de la récupération de phase ptychographique en abordant la non-convexité et le mal-posé inhérents grâce à un cadre multiniveau rigoureusement construit.

• Convergence : La méthode offre des « gains substantiels en vitesse de convergence et en qualité de reconstruction » par rapport aux approches traditionnelles comme le rPIE.
• Utilisabilité : En automatisant la sélection des paramètres de niveau grossier, la méthode simplifie le processus d'implémentation et de réglage, rendant l'optimisation multigrille plus accessible pour les problèmes inverses.
• Généralité : Le paradigme de minimisation de substitut et multigrille présenté est décrit comme adaptable à d'autres applications de récupération de phase à grande échelle et d'imagerie diffractive cohérente.

Les auteurs concluent que MAGPIE combine avec succès la stabilité de la minimisation de substitut avec l'efficacité des méthodes multigrille, fournissant un outil robuste pour l'imagerie à haute résolution. Un travail futur est noté pour étendre ce cadre à la ptychographie aveugle et à la rétroaction en temps réel accélérée par GPU.