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

तकनीकी सारांश: एक्स-रे फोटॉन सहसंबंध स्पेक्ट्रोस्कोपी से संरचनात्मक गतिशीलता डेटा के शोर निवारण (Denoising) के लिए एक पूर्णतः संवलनात्मक दृष्टिकोण (Fully Convolutional Approach)

समस्या विवरण
एक्स-रे फोटॉन सहसंबंध स्पेक्ट्रोस्कोपी (XPCS) सामग्रियों के साम्यावस्था (equilibrium) से लेकर गैर-साम्यावस्था (nonequilibrium) तक की संरचनात्मक गतिशीलता का पता लगाने के लिए एक महत्वपूर्ण तकनीक है। इसका मुख्य डेटा उत्पाद दो-समय तीव्रता-तीव्रता सहसंबंध फलन, $C_2(q, t_1, t_2)$ है, जो लौकिक विकास (temporal evolution) को परिमाणित करता है। हालाँकि, प्रयोगात्मक $C_2$ डेटा अक्सर फोटॉन-सीमित स्थितियों, विकिरण-संवेदनशील नमूनों (जिनके लिए कम-डोज माप की आवश्यकता होती है), और डिटेक्टर आर्टिफैक्ट्स के कारण निम्न सिग्नल-टू-नॉइज़ अनुपात (SNR) से समझौता किया जाता है।

पारंपरिक शोर निवारण विधियाँ, जैसे कि गॉसियन या मीन फ़िल्टरिंग, अक्सर आवश्यक सूक्ष्म सहसंबंध विशेषताओं को धुंधला कर देती हैं। डिनोइजिंग ऑटोएनकोडर्स (DAEs) ने आशाजनक परिणाम दिखाए हैं, लेकिन वे महत्वपूर्ण सीमाओं से ग्रस्त हैं:

1. निश्चित इनपुट आकार: पारंपरिक DAEs पूरी तरह से जुड़े हुए परतों (fully connected layers) पर निर्भर करते हैं, जिसके लिए निश्चित आकार के इनपुट की आवश्यकता होती है। इसके लिए मनमाने $C_2$ मैट्रिसेस को क्रॉप करने या रीसाइज करने की आवश्यकता होती है, जिससे संरचनात्मक संदर्भ खो सकता है।
2. लेटेंट स्पेस बायस (Latent Space Bias): मानक DAEs का निश्चित लेटेंट प्रतिनिधित्व प्रशिक्षण डेटा की विशिष्ट गतिशीलता द्वारा आकार लेता है। यह गुणात्मक रूप से भिन्न सहसंबंध पैटर्न (जैसे, गैर-कोहलराउश-विलियम्स-वैट्स डायनेमिक्स) के लिए सामान्यीकरण को प्रतिबंधित करता है और अक्सर जटिल, गैर-साम्यावस्था प्रणालियों पर लागू होने पर ओवर-स्मूथिंग या सिग्नल विरूपण का कारण बनता है।
3. डेटा आवश्यकताएँ: प्रभावी प्रशिक्षण के लिए अक्सर विविध प्रयोगात्मक स्थितियों के लिए व्यापक, उच्च-विश्वसनीयता वाले डेटासेट की आवश्यकता होती है, जिसे उत्पन्न करना कठिन है।

कार्यप्रणाली
लेखक इन सीमाओं को दूर करने के लिए एक पूर्णतः संवलनात्मक डिनोइजिंग ऑटोएनकोडर (FC-DAE) का प्रस्ताव करते हैं।

• आर्किटेक्चर: मॉडल पूरी तरह से संवलनात्मक परतों (एन्कोडर-डिकोडर संरचना) पर बना है जिसमें पूरी तरह से जुड़ी हुई परतें नहीं हैं। इसमें एक एन्कोडर है जिसमें पाँच संवलनात्मक परतें (आउटपुट चैनल्स: 1, 4, 8, 16, 32) हैं और एक मिरर किया हुआ डिकोडर (ट्रांसपोज़्ड कनवल्शन का उपयोग करके) है। सभी परतें $3 \times 3$ कर्नेल, स्ट्राइड 1 और पैडिंग का उपयोग करती हैं ताकि स्थानिक आयाम सुरक्षित रहे। अंतिम आउटपुट लेयर को छोड़कर, सभी परतों में एक्सपोनेंशियल लीनियर यूनिट (ELU) एक्टिवेशन का उपयोग किया गया है। यह आर्किटेक्चर मनमाने आयामों वाले $C_2$ इनपुट को संसाधित करने की अनुमति देता है।
• प्रशिक्षण रणनीति:
  • डेटासेट: मॉडल को NSLS-II बीमलाइन्स (CHX और CSX) से प्राप्त 779 $C_2$ पैटर्न पर प्रशिक्षित किया गया था, जो जटिल गैर-KWW डायनेमिक्स सहित विस्तृत प्रकार के गतिशील व्यवहारों को कवर करते हैं।
  • टारगेट जनरेशन: चूंकि "शोर-मुक्त" प्रयोगात्मक ग्राउंड-ट्रुथ उपलब्ध नहीं है, इसलिए लेखकों ने एक "टीचर-स्टूडेंट" दृष्टिकोण अपनाया। एक पारंपरिक DAE (जो छोटे, अर्ध-साम्यावस्था उप-क्षेत्रों तक सीमित है) का उपयोग कच्चे $C_2$ डेटा से प्रॉक्सी "शोर-मुक्त" टारगेट बनाने के लिए किया गया था। इसके बाद FC-DAE को इन टारगेटों पर प्रशिक्षित किया गया, जिससे इसने स्थानीय विश्वसनीय क्षेत्रों से बड़े, अधिक जटिल वैश्विक संरचनाओं तक स्मूथिंग रणनीतियों को सामान्यीकृत करना सीखा।
  • ऑग्मेंटेशन (Augmentation): तकनीकों में आयु अक्ष ($t_{age}$) को उलटना, विभिन्न लौकिक रिज़ॉल्यूशन का अनुकरण करने के लिए फ्रेमों का सब-सैंपलिंग करना, और अलग-अलग शोर स्तरों को बनाने के लिए बूटस्ट्रैपिंग पिक्सेल सब-सैंपलिंग (50% से 5% तक) शामिल थे।
• विश्वसनीयता मेट्रिक्स: वैज्ञानिक कठोरता सुनिश्चित करने के लिए, लेखकों ने पुनर्निर्माण निष्ठा और मॉडल-प्रेरित पूर्वाग्रह का आकलन करने के लिए मात्रात्मक मेट्रिक्स पेश किए:
  • रिलेटिव कॉन्ट्रास्ट शिफ्ट ($\Delta\beta_{obs, rel}$): यह स्पेकल कंट्रास्ट में व्यवस्थित पूर्वाग्रह को मापता है।
  • रेसिडुअल ऑटोकोरिलेशन (Residual Autocorrelation): यह सुनिश्चित करने के लिए कि अवशेष (residuals) अनियंत्रित शोर हैं न कि संरचित सिग्नल हानि, कच्चे और डिनोइज़्ड सिग्नल के बीच अंतर का विश्लेषण करता है।
  • स्ट्रक्चरल सिमिलरिटी इंडेक्स (SSIM): बड़े पैमाने के स्थानिक पैटर्न के संरक्षण का मूल्यांकन करता है।

मुख्य परिणाम

• सामान्यीकरण और निष्ठा: FC-DAE जटिल गतिशील विशेषताओं को सफलतापूर्वक पुनर्स्थापित करता है, जिसमें ऑसिलेटरी और इंटरमिटेंट व्यवहार शामिल हैं, जिन्हें पारंपरिक DAEs अक्सर ओवर-स्मूथिंग के कारण पुनर्निर्मित करने में विफल रहते हैं। मॉडल निम्न-SNR स्थितियों में भी संरचनात्मक निष्ठा बनाए रखता है।
• मात्रात्मक प्रदर्शन:
  • मॉडल स्थिरता: दस स्वतंत्र रूप से प्रशिक्षित मॉडलों के बीच एन्सेम्बल वेरिएंस (ensemble variance) नगण्य ($\sim 10^{-4}$) पाया गया, जो देखे गए कंट्रास्ट ($\sim 10^{-1}$) की तुलना में बहुत कम है, जो इंगित करता है कि रैंडम इनिशियलाइजेशन पैरामीटर निष्कर्षण को महत्वपूर्ण रूप से प्रभावित नहीं करता है।
  • बायस विश्लेषण: उच्च-कंट्रास्ट शासन ($\beta_{obs} > 0.1$) में, रिलेटिव कॉन्ट्रास्ट शिफ्ट 5% से नीचे है। महत्वपूर्ण पूर्वाव केवल अत्यंत निम्न-सिग्नल शासन ($\beta_{obs} < 0.05$) में होता है जहाँ शोर के उतार-चढ़ाव को भौतिक सहसंबंधों के रूप में गलत पहचाना जाता है।
  • पैरामीटर निष्कर्षण: जटिल, ऑसिलेटरी डेटा के लिए निकाले गए पैरामीटर, कच्चे डेटा की तुलना में काफी कम सांख्यिकीय अनिश्चितता प्रदर्शित करते हैं और एन्सेम्बल-औसत मानों के अधिक निकट होते हैं।
• फोटॉन-सीमित रिकवरी:
  • मॉडल ने बूटस्ट्रैप्ड शोर स्तरों (10% सब-सैंपलिंग तक) में $g_2$ के ऑसिलेटरी घटकों को मजबूती से रिकवर किया।
  • वेववेक्टर-निर्भर परीक्षणों में, FC-DAE ने उच्च $q$ (कम तीव्रता) पर सहसंबंध संकेतों को निम्न $q$ (उच्च तीव्रता) वाले कच्चे डेटा के SNR स्तरों के बराबर बहाल किया।
  • लेखक अनुमान लगाते हैं कि यह दृष्टिकोण तेज़ गतिशीलता को मापने के लिए उपलब्ध फ्रेम दर को $\sim 4.4$ गुना बढ़ाकर, या इसके विपरीत, समान SNR बनाए रखते हुए मूल खुराक के $\sim 23\%$ पर माप करने की अनुमति देकर, XPCS मापों को सक्षम कर सकता है।

महत्व और दावे
लेख का दावा है कि FC-DAE एक मजबूत, गणनात्मक रूप से कुशल ढांचा प्रदान करता है जो लेटेंट-स्पेस DAEs की कठोरता को दूर करता है। स्थानिक अपरिवर्तनीयता (spatial invariance) का लाभ उठाकर, यह मॉडल निश्चित इनपुट आकार या प्रत्येक नए गतिशील व्यवहार के लिए विशेष प्रशिक्षण की आवश्यकता के बिना विविध गतिशील शासनों में सामान्यीकरण करता है।

इस कार्य का महत्व इस प्रकार है:

1. प्रयोगात्मक पैरामीटर स्पेस का विस्तार: फोटॉन-सीमित स्थितियों और बड़े वेववेक्टर (छोटे लंबाई पैमाने) पर विश्वसनीय गतिशीलता विश्लेषण को सक्षम बनाना जहाँ गिनती सांख्यिकी (counting statistics) खराब होती है।
2. लौकिक रिज़ॉल्यूशन में सुधार: व्यापक लौकिक औसत (बिनिंग) की आवश्यकता को कम करना, जिससे तेजी से विकसित होने वाली गैर-साम्यावस्था गतिशीलता को हल करना संभव हो सके।
3. वैज्ञानिक विश्वसनीयता सुनिश्चित करना: मात्रात्मक मेट्रिक्स का एक सेट प्रदान करना जिससे यह पहचान की जा सके कि कब डिनोइजिंग प्रक्रिया भौतिक रूप से सार्थक व्यवहार से विचलित हो रही है, जिससे वैज्ञानिक विश्लेषण में इस पद्धति को उचित सावधानी के साथ लागू करना सुनिश्चित हो सके।

लेखक इस बात पर जोर देते हैं कि हालांकि यह विधि शक्तिशाली है, यह सभी शोर के लिए "यूनिवर्सल" समाधान नहीं है; यह पता लगाने के लिए कि क्या मॉडल अपने सीखे हुए वितरण से बाहर की गतिशीलता और शोर स्तरों का सामना कर रहा है, विश्वसनीयता मेट्रिक्स आवश्यक हैं।