🤖 machine learning

Contrast-invariant deep ptychography neural networks

यह शोध पत्र एक कंट्रास्ट-इनवेरिएंट (contrast-invariant) डीप प्टीकोग्राफी न्यूरल नेटवर्क प्रस्तुत करता है जो रियल-इमेजिनरी फैक्टराइजेशन (real-imaginary factorization) और एक सिंथेटिक सैंपलिंग रणनीति के माध्यम से ऑब्जेक्ट टेक्सचर को मेजरमेंट स्केलिंग से अलग करके आउट-ऑफ-डिस्ट्रीब्यूशन जनरलाइजेशन में स्केलिंग विसंगतियों को दूर करता है, जिससे विविध प्रायोगिक डेटासेट्स में फूरियर एरर (Fourier error) में 5 गुना तक की कमी आती है।

मूल लेखक: Albert Vong, Steven Henke, Oliver Hoidn, Hanna Ruth, Junjing Deng, Apurva Mehta, David Shapiro, Alexander Hexemer, Nicholas Schwarz

प्रकाशित 2026-08-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Albert Vong, Steven Henke, Oliver Hoidn, Hanna Ruth, Junjing Deng, Apurva Mehta, David Shapiro, Alexander Hexemer, Nicholas Schwarz

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप किसी ऐसी चीज़ की तस्वीर लेने की कोशिश कर रहे हैं जो इतनी सूक्ष्म है कि प्रकाश की तरंगें कैमरा लेंस की तरह उस पर केंद्रित नहीं हो पातीं। यह प्टिचोग्राफी (ptychography) की दुनिया है, जो एक अत्यंत शक्तिशाली इमेजिंग तकनीक है जिसका उपयोग वैज्ञानिक परमाणुओं और अणुओं की अदृश्य संरचना को देखने के लिए करते हैं। एक एकल स्नैपशॉट लेने के बजाय, प्टिचोग्राफी एक जासूस द्वारा पहेली सुलझाने की तरह काम करती है: यह एक नमूने पर प्रकाश की एक किरण (अक्सर एक्स-रे) डालती है, किरण को थोड़ा हिलाती है, और सैकड़ों ओवरलैपिंग "परछाइयाँ" (डिफ्रैक्शन पैटर्न) लेती है। इन परछाइयों को गणितीय रूप से जोड़कर, कंप्यूटर वस्तु का 3D मानचित्र पुनर्गठित कर सकते हैं, जिससे उन विवरणों का पता चलता है जो पारंपरिक सूक्ष्मदर्शी (microscopes) की तुलना में बहुत छोटे होते हैं।

हालाँकि, इसमें एक पेंच है। इस पहेली को हल करने के लिए गणित अविश्वसनीय रूप से भारी है। यह एक विशाल जिग्सॉ पहेली को सुलझाने जैसा है जहाँ हर टुकड़ा बदल जाता है जैसे ही आप उसे देखते हैं, जिसके लिए एक छवि प्राप्त करने के लिए सुपरकंप्यूटरों को धीमे, दोहराव वाले गणना कार्य चलाने पड़ते हैं। इसे तेज़ करने के लिए, वैज्ञानिकों ने न्यूरल नेटवर्क (पैटर्न पहचानने के लिए प्रशिक्षित कंप्यूटर प्रोग्राम) का उपयोग करना शुरू कर दिया है—जो उत्तर का तुरंत अनुमान लगा लेते हैं। लेकिन समस्या यह है कि ये AI मॉडल अक्सर उन छात्रों की तरह होते हैं जिन्होंने एक विशिष्ट परीक्षा के उत्तर रट लिए हैं लेकिन जब शिक्षक नंबर बदल देता है, तो वे बुरी तरह विफल हो जाते हैं। यदि प्रकाश उज्ज्वल हो जाता है या नमूना बदल जाता है, तो AI का अनुमान जंगली रूप से गलत हो जाता है, जिससे छवियां केवल 'स्टैटिक' (शोर) जैसी दिखती हैं या उनमें चमक गलत होती है, जिससे वे वास्तविक विज्ञान के लिए बेकार हो जाती हैं।

पेपर की कहानी: AI को प्रकाश को मापना सिखाना

इस पेपर में, लेखक इन AI जासूसों को प्रशिक्षित करने का एक नया तरीका पेश करते हैं, जिसे वे PtychoPINN-CI (कॉन्ट्रास्ट-इनवेरिएंट) कहते हैं। उनका लक्ष्य "स्केलिंग" की समस्या को ठीक करना था—वह समस्या जहाँ AI इस बात को लेकर भ्रमित हो जाता है कि वस्तु वास्तव में कितनी चमकीली या धुंधली है।

पुराने AI मॉडलों को एक ऐसे कलाकार के रूप में सोचें जो दीवार की बनावट (उभार, दरारें, विवरण) को चित्रित करने में तो माहिर है, लेकिन उसे यह पता नहीं है कि रोशनी (लाइटिंग) कैसी होनी चाहिए। यदि सूरज चमक रहा है, तो कलाकार दीवार को ऐसे चित्रित करता है जैसे वह किसी अंधेरी गुफा में हो। यदि सूरज मंद है, तो वे इसे दोपहर की तरह चित्रित करते हैं। विवरण सही होते हैं, लेकिन पूरी तस्वीर गलत होती है। लेखकों ने महसूस किया कि AI "लाइटिंग" और "बनावट" दोनों को एक साथ सीखने की कोशिश कर रहा है, जो एक अव्यवस्थित काम है।

बड़ी अवधारणा: बनावट को प्रकाश से अलग करना
लेखकों की मुख्य सफलता यह थी कि उन्होंने AI को वस्तु की बनावट और वस्तु की चमक को दो पूरी तरह से अलग चीजों के रूप में सीखने के लिए मजबूर किया। उन्होंने यह काम छवि के बारे में AI के सोचने के तरीके को बदलकर किया। AI से सीधे "एम्प्लीट्यूड" (चमक) और "फेज" (तरंग का समय) का अनुमान लगाने के बजाय, उन्होंने उससे छवि के रियल (वास्तविक) और इमेजिनरी (काल्पनिक) हिस्सों का अनुमान लगाने को कहा (गणितीय घटक जो मिलकर पूर्ण चित्र बनाते हैं)।

यह क्यों मदद करता है? कल्पना कीजिए कि आप एक रहस्यमयी बॉक्स के वजन का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका: आप एक ही समय में बॉक्स के कुल वजन और उसके रंग का अनुमान लगाने की कोशिश करते हैं। यदि बॉक्स भारी है, तो आप अनुमान लगा सकते हैं कि वह लाल है; यदि वह हल्का है, तो आप अनुमान लगा सकते हैं कि वह नीला है। आप भ्रमित हो जाते हैं।
नया तरीका: आप पहले बॉक्स के आकार (बनावट) का अनुमान लगाते हैं और फिर, अलग से, एक "वेट मल्टीप्लायर" (स्केल) का अनुमान लगाते हैं।

नए सिस्टम में, AI आकार को पूरी तरह से सीख लेता है, और फिर, बिल्कुल अंत में, एक सरल गणितीय चरण डिटेक्टर पर पड़ने वाले वास्तविक प्रकाश के आधार पर सही "वेट मल्टीप्लायर" की गणना करता है। यह उसी AI को काम करने में सक्षम बनाता है चाहे प्रकाश बहुत उज्ज्वल हो या बहुत मंद, बिना पुन: प्रशिक्षित किए।

"स्टिचिंग" (Stitching) का तरीका
पेपर एक छवि को वापस जोड़ने का एक चतुर तरीका भी पेश करता है। प्टिचोग्राफी में, छवि कई छोटे ओवरलैपिंग पैच से बनी होती है। पुराना तरीका इन पैच को औसत निकालकर जोड़ता था, जैसे विभिन्न फलों के स्मूदी को मिलाना। लेकिन प्रकाश की किरण के कुछ हिस्से दूसरों की तुलना में अधिक मजबूत और स्पष्ट होते हैं। लेखकों की नई विधि एक "प्रोब-वेटेड" (probe-weighted) स्टिच का उपयोग करती है। कल्पना कीजिए कि आप एक मोज़ेक (mosaic) बना रहे हैं, लेकिन आप प्रकाश की किरण के चमकीले, स्पष्ट हिस्सों के टाइल्स पर धुंधले, कमज़ोर किनारों की तुलना में अधिक भरोसा करते हैं। AI स्पष्ट टाइल्स को अधिक महत्व देता है और शोर वाले टाइल्स को अनदेखा कर देता है, जिसके परिणामस्वरूप एक बहुत अधिक स्पष्ट और साफ अंतिम चित्र प्राप्त होता है।

"नकली" डेटा के साथ प्रशिक्षण
एक अन्य बाधा यह थी कि इन AI को प्रशिक्षित करने के लिए आमतौर पर बड़ी मात्रा में वास्तविक प्रयोगात्मक डेटा की आवश्यकता होती है, जिसे प्राप्त करना कठिन है। लेखकों ने दिखाया कि आप AI को "नकली" (सिंथेटिक) डेटा पर प्रशिक्षित कर सकते हैं, लेकिन केवल तभी जब नकली डेटा वास्तविक चीज़ जैसा दिखे। पिछले प्रयासों में यादृच्छिक (random), एकसमान पैटर्न का उपयोग किया गया था जो वास्तविक सामग्रियों से मेल नहीं खाते थे। लेखकों ने इसे ठीक करने के लिए AI को पहले वास्तविक प्रयोगात्मक डेटा को देखना सिखाया, यह सीखना सिखाया कि सामग्री के "वास्तविक" और "काल्पनिक" हिस्से आपस में कैसे जुड़े हैं, और फिर ऐसा नकली डेटा उत्पन्न करना सिखाया जो उन विशिष्ट संबंधों की नकल करता हो। यह एक छात्र को बिल्ली का चित्र बनाना सिखाने जैसा है, उसे केवल यादृच्छिक रेखाचित्र देने के बजाय पहले असली बिल्लियों को दिखाने के माध्यम से।

परिणाम
जब उन्होंने इस नए सिस्टम का परीक्षण किया, तो परिणाम प्रभावशाली थे। विभिन्न प्रकार के नमूनों और प्रकाश स्रोतों वाले पांच अलग-अलग वास्तविक प्रयोगों में, नई विधि ने पुनर्गठित छवियों में त्रुटि को पिछले सर्वोत्तम तरीके की तुलना में 5 गुना तक कम कर दिया। छवियों ने बहुत महीन विवरण दिखाए, और चमक का स्तर भौतिक रूप से सही था, जिसका अर्थ है कि वैज्ञानिक जो संख्याएँ देख रहे हैं वे उन पर भरोसा कर सकते हैं।

लेखक बताते हैं कि जबकि यह विधि एक बड़ी छलांग है, अभी भी थोड़ा सा "फेज कंप्रेशन" (तरंग के विवरणों का हल्का सपाट होना) बाकी है जिसे वे पूरी तरह से समाप्त नहीं कर पाए हैं। हालांकि, उन्हें विश्वास है कि यह नया ढांचा—बनावट को स्केल से अलग करना, स्मार्ट स्टिचिंग का उपयोग करना और वास्तविक नकली डेटा के साथ प्रशिक्षण देना—एक मजबूत, सार्वभौमिक उपकरण प्रदान करता है जिसे भविष्य में और भी अधिक शक्तिशाली AI आर्किटेक्चर में जोड़ा जा सकता है। यह एक अनिश्चित, एक-ट्रिक वाले घोड़े को नैनो-दुनिया की खोज के लिए एक विश्वसनीय, अनुकूलन योग्य कार्यवाहक में बदल देता है।

तकनीकी सारांश: कंट्रास्ट-इनवेरिएंट डीप प्टाइकोग्राफी न्यूरल नेटवर्क

समस्या विवरण

प्टाइकोग्राफी, जो कि एक स्कैनिंग कोहेरेंट डिफ्रैक्टिव इमेजिंग तकनीक है, तीव्रता-मात्र (intensity-only) विवर्तन पैटर्न से वस्तुओं के पुनर्निर्माण के लिए पुनरावृत्ति चरण पुनर्प्राप्ति (iterative phase retrieval) एल्गोरिदम पर निर्भर करती है। हालांकि यह प्रभावी है, लेकिन ये पुनरावृत्ति विधियाँ गणनात्मक रूप से महंगी हैं और डेटासेट के आकार के साथ खराब प्रदर्शन करती हैं, जिससे आधुनिक उच्च-फ्लक्स प्रकाश स्रोत सुविधाओं में वास्तविक समय की प्रतिक्रिया (real-time feedback) के लिए एक बाधा उत्पन्न होती है। डीप न्यूरल नेटवर्क (DNNs) को पुनर्निर्माण को गति देने के लिए प्रस्तावित किया गया है, लेकिन वे आउट-ऑफ-डिस्ट्रीब्यूशन डेटा पर लागू होने पर महत्वपूर्ण सामान्यीकरण विफलताओं (generalization failures) से जूझते हैं। विशेष रूप से, मानक DNNs स्केलिंग विसंगतियों (scaling inconsistencies) के साथ संघर्ष करते हैं, जिससे गलत आयाम परिमाण (amplitude magnitudes) और चरण आर्टिफैक्ट्स (जैसे हेलोइंग, कम कंट्रास्ट) वाले पुनर्निर्माण उत्पन्न होते हैं जब प्रकाश व्यवस्था, फोटॉन फ्लक्स, या नमूना गुण बदलते हैं। यह "मापन निरंतरता" (measurement consistency) की कमी—अर्थात, अनुमानित वस्तु को भौतिक फॉरवर्ड मॉडल के माध्यम से प्रसारित करने पर मापे गए विवर्तन तीव्रताओं को पुनरुत्पादित करने की क्षमता—इसकी व्यावहारिक व्यवहार्यता को सीमित करती है।

इस विफलता का प्राथमिक कारण प्टाइकोग्राफिक पुनर्निर्माण में अंतर्निहित स्केल अस्पष्टता (scale ambiguity) है, जहाँ प्रोब और वस्तु के पूर्ण परिमाणों को केवल तीव्रता मापों से स्वतंत्र रूप से निर्धारित नहीं किया जा सकता है। मौजूदा दृष्टिकोण जो आयाम-चरण (amplitude-phase) निरूपण का उपयोग करते हैं, वे दूर-क्षेत्र (far-field) तीव्रता अभिव्यक्ति में स्केलिंग मापदंडों को गैर-रैखिक रूप से जोड़ देते हैं, जिससे सीखे गए ऑब्जेक्ट टेक्सचर को डेटासेट-विशिष्ट मापन पैमानों से अलग करना कठिन हो जाता है।

कार्यप्रणाली

लेखक PtychoPINN-CI (कंट्रास्ट-इनवेरिएंट) पेश करते हैं, जो एक ढांचा है जो उनके पिछले अनसुपरवाइज्ड नेटवर्क, PtychoPINN-torch पर आधारित चार प्रमुख पद्धतिगत सुधारों के माध्यम से स्केलिंग बेमेल (scaling mismatches) को संबोधित करता है।

1. रियल/इमेजिनरी डिकोडर निरूपण

पारंपरिक आयाम-चरण आउटपुट के बजाय, नेटवर्क डिकोडर को सामान्यीकृत आयताकार घटकों: वास्तविक ( $\tilde{a}_o$ ) और काल्पनिक ( $\tilde{b}_o$ ) वस्तु भागों को आउटपुट करने के लिए संशोधित किया गया है, जो $\tanh$ एक्टिवेशन द्वारा सीमित हैं। जटिल वस्तु को इस प्रकार पुनर्निर्मित किया जाता है:
$O = s_1 \tilde{a}_o(\theta) + j s_2 \tilde{b}_o(\theta)$
जहाँ $s_1$ और $s_2$ वास्तविक-मान वाले स्केलर स्केलिंग पैरामीटर हैं। यह गुणनखंड (factorization) सीखे गए ऑब्जेक्ट टेक्चर (नेटवर्क वेट्स $\theta$ ) को डेटासेट-निर्भर स्केलिंग ( $s_1, s_2$ ) से अलग करता है। महत्वपूर्ण रूप से, यह निरूपण सुनिश्चित करता है कि अनुमानित फार-फील्ड तीव्रता स्केलिंग मापदंडों का एक सरल द्विघाती फलन (quadratic function) बन जाती है, जिससे कुशल डिकपलिंग और अनुकूलन संभव होता है।

2. डायनेमिक स्केलिंग फैक्टरइज़ेशन

स्केलिंग मापदंडों $s_1$ और $s_2$ को ग्रेडिएंट-आधारित विधियों के माध्यम से अनुकूलित किया जाता है।

प्रशिक्षण के दौरान: $s_1$ और $s_2$ को डैरेन्शिएबल (differentiable) मापदंडों के रूप में माना जाता है जिन्हें अनुमानित और मापे गए तीव्रताओं के बीच पॉइसन नेगेटिव लॉग-लाइक्लीहुड लॉस को कम करने के लिए नेटवर्क वेट्स के साथ संयुक्त रूप से अनुकूलित किया जाता है।
अनुमान (Inference) के दौरान: नेटवर्क वेट्स को फ्रीज कर दिया जाता है। $s_1$ और $s_2$ को मापे गए विवर्तन पैटर्न और मॉडल के अनुमानों के बीच अवशेष (residual) को न्यूनतम करने के लिए एक लीस्ट-स्क्वायर फॉर्मुलेशन को हल करके निर्धारित किया जाता है। इस पोस्ट-हॉक सुधार के लिए पुन: प्रशिक्षण की आवश्यकता नहीं होती है और यह भौतिक मापन पैमाने के साथ आउटपुट की निरंतरता सुनिश्चित करता है।

3. प्रोब-वेटेड पैच स्टिचिंग

पूरे-क्षेत्र की वस्तु को ओवरलैपिंग पैच से असेंबल करने के लिए, लेखक समान औसत (uniform averaging) के स्थान पर एक प्रोब-इंटेनसिटी वेटिंग स्कीम का उपयोग करते हैं:
$O_{stitched}(r) = \frac{\sum_i |P(r - r_i)|^2 O_i(r)}{\sum_i |P(r - r_i)|^2}$
जहाँ $|P|^2$ एक स्थानिक रूप से परिवर्तनशील विश्वास भार (confidence weight) के रूप में कार्य करता है। यह प्रोब परिधि (कम सिग्नल-टू-नॉइज़) के योगदान को कम करता है और यूनिफॉर्म एवरेजिंग से उत्पन्न होने वाले सीमा आर्टिफैक्ट्स को दबा देता है।

4. सहसंबंधों के साथ सिंथेटिक ऑब्जेक्ट सैंपलिंग

सिंथेटिक प्रशिक्षण डेटा और प्रयोगात्मक लक्ष्यों के बीच चरण वितरण बेमेल (phase distribution mismatches) को संबोधित करने के लिए, लेखक सिंथेटिक ऑब्जेक्ट जनरेशन को संशोधित करते हैं। वास्तविक और काल्पनिक घटकों के स्वतंत्र यूनिफॉर्म सैंपलिंग के बजाय, वे प्रयोगात्मक रूप से पुनर्निर्मित वस्तुओं से प्राप्त एक अनुभवजन्य संयुक्त वितरण (empirical joint distribution) से वास्तविक और काल्पनिक घटकों को सैंपल करते हैं। यह वास्तविक और काल्पनिक भौतिक गुणों के बीच प्राकृतिक सहसंबंधों को कैप्चर करता है, जिससे यह सुनिश्चित होता है कि सिंथेटिक डेटा वास्तविक प्रयोगात्मक लक्ष्यों की सांख्यिकीय संरचना को दर्शाता है।

मुख्य परिणाम

लेखकों ने पांच प्रयोगात्मक डेटासेट्स (APS, ALS और विभिन्न सुविधाओं तक फैले हुए) में PtychoPINN-CI का मूल्यांकन किया, जिसमें इसकी तुलना PtychoPINN-torch बेसलाइन और विभिन्न एब्लेशन कॉन्फ़िगरेशन से की गई।

मात्रात्मक सुधार: पूर्ण PtychoPINN-CI कॉन्फ़िगरेशन ने PtychoPINN-torch बेसलाइन की तुलना में फूरियर एरर में 5 गुना तक की कमी हासिल की।
स्केलिंग निरंतरता: डायनेमिक स्केलिंग रणनीति ने अवास्तविक आयाम भविष्यवाणियों (जैसे, 1 से अधिक मान) को सफलतापूर्वक ठीक किया और ऑर्डर-ऑफ-मैग्निट्यूड अंतर वाले डेटासेट्स में पुनर्निर्माणों को मापे गए फोटॉन फ्लक्स के साथ संरेखित किया।
फीचर रेजोल्यूशन: पुनर्निर्माणों ने बेसलाइन की तुलना में सूक्ष्म-स्तरीय विशेषताओं के बेहतर रेजोल्यूशन और उच्च-अवशोषण विवरणों (जैसे, LFP उत्प्रेरक डेटासेट में) के बेहतर संरक्षण को प्रदर्शित किया।
सिंथेटिक डेटा सामान्यीकरण: सहसंबंधित वास्तविक-काल्पनिक सैंपलिंग (DLC और WNC क्लासेस) के साथ विशेष रूप से सिंथेटिक डेटा पर प्रशिक्षित होने से, पुनर्निर्माणों में न्यूनतम "हेलोइंग" आर्टिफैक्ट्स और प्रयोगात्मक डेटा पर प्रशिक्षित मॉडलों के समान बैकग्राउंड कंट्रास्ट प्राप्त हुआ। इसने प्रदर्शित किया कि रियलिस्टिक कोरिलेटेड सैंपलिंग से चरण वितरण बेमेल की समस्या हल हो जाती है।
एब्लेशन अंतर्दृष्टि:
- रियल/इमेजरी आउटपुट का उपयोग करने से सूचना चैनलों के बीच संतुलन बना, जबकि आयाम-चरण डिकोडर आयाम निष्ठा (amplitude fidelity) की कीमत पर चरण भिन्नता को प्राथमिकता देने की प्रवृत्ति रखता था।
- प्रोब-वेटेड स्टिचिंग छोटे प्रोब और कम सिग्नल-टू-नॉइज़ अनुपात वाले डेटासेट्स के लिए महत्वपूर्ण था।
- रियल और इमेजरी डिकोडर शाखाओं को एक एकल शाखा में मिलाने से गुणवत्ता से समझौता किए बिना मॉडल पैरामीटर्स में 30% की कमी आई, जिससे रेडंडेंट रिप्रेजेंटेशन लर्निंग समाप्त हो गई।

महत्व और दावे

लेखक दावा करते हैं कि PtychoPINN-CI अनसुपरवाइज्ड प्टाइकोग्राफिक लर्निंग के लिए एक सार्वभौमिक रूप से लागू रणनीति प्रदान करता है जो सीखे गए ऑब्जेक्ट टेक्चर को मापन पैमानों से अलग करता है। इस कार्य का महत्व निम्नलिखित में निहित है:

मापन निरंतरता: यह एक एकल प्रशिक्षित नेटवर्क को विभिन्न प्रकाश स्थितियों में बिना फाइन-ट्यूनिंग के भौतिक रूप से सुसंगत पुनर्निर्माण उत्पन्न करने में सक्षम बनाता है, जो वास्तविक दुनिया के परिनियोजन के लिए एक प्रमुख बाधा को संबोधित करता है।
आर्किटेक्चर अगनोस्टिकिज्म: स्केलिंग फैक्टराइजेशन और सैंपलिंग रणनीतियाँ विशिष्ट DNN आर्किटेक्चर से स्वतंत्र हैं और उन्हें बिना किसी संशोधन के अधिक अभिव्यंजक बैकबोन (जैसे, ट्रांसफॉर्मर) में एकीकृत किया जा सकता है।
परिचालन व्यवहार्यता: यह ढांचा तीव्र प्रयोग स्टीयरिंग का समर्थन करता है और पारंपरिक पुनरावृत्ति एल्गोरिदम के लिए एक उच्च-गुणवत्ता वाली इनिशियलाइजेशन के रूप में कार्य कर सकता है, जिससे संभावित रूप से मोटे रिफाइनमेंट चरणों को बायपास किया जा सकता है।
सिंथेटिक प्रशिक्षण के प्रति मजबूती: सहसंबंधित सैंपलिंग के माध्यम से चरण वितरण बेमेल को हल करके, यह विधि सिंथेटिक-ओनली ट्रेनिंग डेटा के उपयोग को सक्षम बनाती है, जिससे मॉडल प्रशिक्षण के लिए बड़े प्रयोगात्मक डेटासेट्स पर निर्भरता कम हो जाती है।

लेखक नोट करते हैं कि हालांकि फेज कंप्रेशन एक मामूली सीमा बनी हुई है, फिर भी यह ढांचा न्यूरल नेटवर्क-आधारित प्टाइकोग्राफी की मात्रात्मक विश्वसनीयता और रेजोल्यूशन में महत्वपूर्ण सुधार करता है, जिससे एक्स-रे सुविधाओं में इन विधियों को तैनात करने की बाधाएं कम होती हैं।