🔬 materials science

DeepCormack: Fermi surface tomography using model-based data-driven algorithms

Het artikel introduceert DeepCormack, een hybride modelgebaseerd en deep learning-algoritme dat de reconstructie van 3D Fermi-oppervlakken uit ACAR-data aanzienlijk versnelt en de kwaliteit verbetert door realistische synthetische trainingssets te genereren via singular value en dynamic mode decomposition, waardoor de acquisitietijden worden teruggebracht van maanden naar weken.

Oorspronkelijke auteurs: Georg F. B. Lovric, Bryn Drury, Carola-Bibiane Schönlieb, Stephen B. Dugdale, Ander Biguri

Gepubliceerd 2026-07-16

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Georg F. B. Lovric, Bryn Drury, Carola-Bibiane Schönlieb, Stephen B. Dugdale, Ander Biguri

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de vorm te achterhalen van een verborgen, onzichtbare stad binnen een blok metaal. Dit is geen stad van gebouwen, maar een "stad" van elektronen, de minuscule deeltjes die elektriciteit en warmte vervoeren. Wetenschappers noemen de rand van deze elektronische stad het "Fermi-oppervlak". Het exacte weten van de vorm hiervan is als het hebben van een kaart van een schatkist; het vertelt ons waarom een metaal elektriciteit geleidt, waarom het een supergeleider kan worden, of waarom het zich als een magneet gedraagt. Om deze onzichtbare kaart te zien, gebruiken wetenschappers een slimme truc met antimaterie. Ze schieten minuscule deeltjes genaamd positronen in het metaal. Wanneer een positron een elektron ontmoet, verdwijnen ze in een flits van licht en schieten er twee fotonen uit. Door deze fotonen vanuit verschillende hoeken op te vangen, proberen wetenschappers de 3D-vorm van de elektronische stad te reconstrueren. Echter, dit proces is ongelooflijk traag en wazig, als het proberen te tekenen van een gedetailleerd portret van een persoon terwijl die wegrent in de mist, en het duurt vaak maanden voordat er een duidelijk genoeg beeld is verkregen om nuttig te zijn.

Dit is waar een nieuw team onderzoekers in beeld komt met een hulpmiddel dat ze "DeepCormack" noemen. Denk aan de oude manier van het tekenen van deze kaart als een zeer strikte, regelvolgende kunstenaar die geweldig is in wiskunde maar verschrikkelijk in het raden van wat de mist verbergt. Zij nemen de wazige foto's en proberen het beeld te reconstrueren met behulp van een methode genaamd de Modified Cormack Method (MCM). Het werkt, maar het is traag en het resultaat is vaak vaag. Het nieuwe paper introduceert DeepCormack, wat voelt alsoals het geven van een team superintelligente AI-assistenten aan die strikte kunstenaar. Deze assistenten hebben duizenden "oefenkaarten" bestudeerd en hebben geleerd hoe ze de ontbrekende details kunnen raden, de mist kunnen verwijderen en de lijnen kunnen aanscherpen. De onderzoekers bouwten een speciaal systeem om deze oefenkaarten te maken met behavnoog een computersimulatie gebaseerd op het element koper, omdat ze niet maanden konden wachten op echte foto's voor elke test. Ze ontdekten dat hun AI-versterkte methode een veel duidelijkere kaart kon produceren in een fractie van de tijd, of zelfs een hoogwaardige kaart kon creëren uit een veel ruisiger, sneller snapshot. Echter, ze ontdekten ook een addertje onder het gras: als de AI alleen op koper is getraind, raakt hij soms in de war wanneer hij naar een totaal ander metaal kijkt, zoals ZrZn2, wat suggereert dat de AI moet worden hertraind met een specifieke "oefenkaart" voor elk nieuw metaal dat hij bestudeert.

De kern van het paper gaat over het oplossen van een moeilijke puzzel: hoe je een paar wazige, ruisige snapshots van elektronische impuls transformeert naar een scherp, 3D-beeld van een materiaal's Fermi-oppervlak. De onderzoekers stellen een familie van algoritmen voor die de traditionele wiskundige methode (MCM) mengen met deep learning modellen, specifiek Convolutional Neural Networks (CNNs), Multi-Layer Perceptrons (MLPs) en UNets. Deze neurale netwerken fungeren als verschillende specialisten in een reparatiewerkplaats. De CNN probeert de ruizige ruwe foto's op te schonen nog voordat ze worden verwerkt. De MLP verfijnt de wiskundige "radiale" vormen die de dichtheid van elektronen beschrijven. Ten slotte kijkt de UNet naar het uiteindelijke gereconstrueerde beeld en herstelt resterende wazige plekken of vreemde artefacten, waarbij het in feite leert om de juiste details te "hallucineren" die de beperkte data gemist heeft.

Om deze AI-modellen te trainen, werden de onderzoekers geconfronteerd met een enorm probleem: ze hadden niet genoeg echte experimentele data omdat het verzamelen ervan maanden per monster kost. In plaats daarvan hebben ze een slimme methode voor datageneratie uitgevonden. Ze begonnen met een perfecte computersimulatie van de kaarten van koper. Met behulp van een techniek genaamd Singular Value Decomposition (SVD) braken ze deze kaart af in de essentiële onderdelen en gebruikten ze vervolgens Dynamic Mode Decomposition (DMD) om te leren hoe die onderdelen veranderen terwijl je door het 3D-volume beweegt. Hierdoor konden ze eindeloze, realistische synthetische 3D-kaarten van koper genereren die licht varieerden van slice tot slice, precies zoals echte data dat zou doen. Vervolgens simuleerden ze de "mist" en "ruis" van een echt experiment door wiskundige vervaging en willekeurige statistische ruis toe te voegen aan deze perfecte kaarten. Dit creëerde een enorme bibliotheek van "ground truth" (perfecte) afbeeldingen en hun bijbehorende "ruisige" versies, waar de AI van kon leren.

Toen ze DeepCormack testten, waren de resultaten veelbelovend maar genuanceerd. Op de synthetische koperdata (waar de AI tijdens de training al bekend mee was gemaakt), was de nieuwe methode een enorme verbetering. Bij een standaardtelling van 200 miljoen elektronische gebeurtenissen bereikte het beste DeepCormack-model een kwaliteitsscore (PSNR) van ongeveer 40,69 dB, vergeleken met de 32,38 dB van de oude MCM-methode. Nog indrukwekkender was dat wanneer ze de data verminderden tot slechts 10 miljoen tellingen (wat een veel snellere, ruisiger scan simuleert), het DeepCormack-model sterk bleef op 38,22 dB, terwijl de oude methode kelderde naar 26,12 dB. Dit suggereert dat wetenschappers met DeepCormack potentieel hun scantijd van maanden naar weken kunnen terugbrengen zonder kwaliteitsverlies in de beelden.

Het paper merkt echter ook op dat het idee van een "one-size-fits-all" oplossing beperkingen heeft, hoewel deze als "matig" in plaats van absoluut worden beschreven. Wanneer ze de modellen testten op een ander metaal, ZrZn2, dat niet deel uitmaakte van de trainingsdata, daalde de prestatie van het beste gecombineerde model (DCCMU) inderdaad naar 32,82 dB vergeleken met de 33,96 dB van MCM. Dit geeft aan dat de AI over-gefit was op de specifieke kenmerken van koper. De auteurs benadrukken echter dat dit geen totale mislukking van de aanpak is: het standalone UNet-model (DCU) presteerde nog steeds beter dan de oude MCM-methode op dit nieuwe metaal, met een score van 37,44 dB. Dit suggereert dat hoewel de complexe gecombineerde modellen moeite hadden met generalisatie, de kerncomponenten van de AI nog steeds waarde hebben, en de auteurs merken op dat testen buiten de distributie ("Out-of-Distribution testing") niet volledig terzijde geschoven kan worden. De auteurs suggereren dat men, om dit op te lossen, een snelle computerberekening (Density Functional Theory) voor het specifieke metaal dat men bestudeert zou moeten uitvoeren om een aangepaste trainingsset voor de AI te genereren.

Het paper concludeert dat hoewel DeepCormack een significante sprong voorwaarts biedt in zowel snelheid als kwaliteit voor Fermi-oppervlak tomografie, het nog geen volledig autonome oplossing is voor elk materiaal. De methode werkt het best wanneer deze wordt gekoppeld aan een specifieke referentieberekening voor het betreffende materiaal. De auteurs benadrukken dat hun resultaten gebaseerd zijn op simulaties en synthetische data, en hoewel de ruis-simulatie zorgvuldig is gekalibreerd om overeen te komen met echte experimenten, is testen op werkelijke experimentele data van verschillende metalen de volgende noodzakelijke stap. Ze beweren niet dat ze het probleem van de Fermi-oppervlak reconstructie voor alle materialen hebben opgelost, maar hebben aangetoond dat ze een krachtig nieuw hulpmiddel hebben ontwikkeld dat, wanneer het correct wordt gebruikt met de juiste trainingsdata, de ontdekking van hoe metalen zich gedragen drastisch kan versnellen.

Technische Samenvatting: DeepCormack voor Fermi-oppervlaktomografie

Probleemstelling
De experimentele reconstructie van de 3D twee-foton momentumdichtheid (TPMD) via Angular Correlation of Electron-Positron Annihilation Radiation (ACAR) is een cruciale methode voor het bestuderen van materiaal-Fermi-oppervlakken. In tegenstelling tot oppervlaktegevoelige technieken is ACAR bulkgevoelig, werkt het op kamertemperatuur en vereist het geen ultrahoog vacuüm of sterke magnetische velden. De reconstructie van de 3D TPMD uit een beperkt aantal projecties (doorgaans 3–6) is echter een uitdagend invers probleem. Standaardreconstructie steunt op de Modified Cormack Method (MCM), die kristalsymmetrieën benut. Ondanks de theoretische robuustheid lijdt de MCM in experimentele settings aan een lage signaal-ruisverhouding (SNR). Het verkrijgen van voldoende data (doorgaans $\sim 10^8$ annihilatiegebeurtenissen per projectie) voor hoogwaardige Fermi-oppervlakstudies kan maanden per monster duren. Bovendien vereisen instrumentele vervaging en ruis, die systematisch variëren over de momentumdichtheid (wat de kwaliteit verder van het centrum af verslechtert), vaak aanvullende deconvolutie. De auteurs stellen dat vooruitgang in machine learning voor medische beeldreconstructie (specifiek Positron Emissie Tomografie, die een vergelijkbare geometrie heeft) kan worden vertaald naar Fermi-oppervlaktomografie om de reconstructiekwaliteit te verbeteren en de acquisitietijden te verkorten.

Methodologie
Het artikel introduceert DeepCormack, een hybride raamwerk dat supervised deep learning-modellen integreert in de Modified Cormack Method (MCM). De aanpak is ontworpen om ruis te corrigeren, instrumentele vervaging te deconvuleren en het informatieverlies te compenseren dat inherent is aan beperkte angulaire bemonstering (5 projecties).

Algoritmisch Raamwerk:
DeepCormack werkt in drie potentiële stadia, waarbij elk een andere neurale netwerkarchitectuur gebruikt:
- 1D CNN (Projectieruimte): Een residual convolutional neural network verwerkt de ruwe 2D angulaire projecties ( $f_{meas}$ ) om ze te denoisen en te deconvuleren voordat de reconstructie plaatsvindt. Het leert een correctie $\Delta$ voor de invoerprojecties.
- MLP (Radiale Dichtheidsruimte): Een Multi-Layer Perceptron verfijnt de radiale dichtheidsfuncties ( $\rho$ ) afgeleid van de Chebyshev-coëfficiënten van de MCM. Deze fase opereert in de ruimte van de tussenliggende outputs van de MCM.
- UNet (Beeldruimte): Een 2D UNet leert residuale correcties op de uiteindelijke gereconstrueerde 2D TPMD-snedes ( $\rho_{2\gamma}$ ). Om de systematische variatie in ruis over de snedes aan te pakken (waarbij de counts afnemen naarmate men verder van het centrum komt), kan de UNet worden geconditioneerd op het totale count-niveau met behulp van Feature-wise Linear Modulation (FiLM).
De auteurs verkennen verschillende configuraties, inclusief end-to-end training en het pre-trainen van individuele componenten (CNN, MLP, UNet) voordat ze worden gekoppeld.
Data-generatiestrategie:
In het besef dat het verzamelen van maanden aan experimentele data voor training onpraktisch is, stellen de auteurs een data-gestuurde simulatiepijplijn voor op basis van een enkele referentie-momentumdichtheid berekend via Density Functional Theory (DFT) voor Koper (Cu).
- SVD voor Centrale Snedes: Singular Value Decomposition (SVD) wordt toegepast op de Chebyshev-coëfficiënten van de referentie-Cu-data om plausibele, diverse centrale snedes van de TPMD te genereren.
- DMD voor 3D Evolutie: Dynamic Mode Decomposition (DMD) wordt gebruikt om de onderliggende dynamiek te leren van hoe de momentumdichtheid van de ene naar de andere snede evolueert. Een Koopman-operator wordt berekend om de synthetische centrale snedes te extrapoleren naar volledige, continu variërende 3D TPMD-volumes.
- Simulatie van Experimentele Condities: De synthetische 3D-volumes worden gedegradeerd om experimentele ACAR-metingen na te bootsen. Dit omvat het toepassen van detectorresolutie-vervaging (Gaussische convolutie), effecten van de Momentum Sampling Function (MSF) en Poisson-ruis bij verschillende count-niveaus (10M tot 200M).
Validatie:
De simulatiepijplijn werd gevalideerd door de degradatie van gesimuleerde $\text{ZrZn}_2$ -data te vergelijken met echte experimentele $\text{ZrZn}_2$ -data. De auteurs stelden vast dat het aanpassen van de convolutiebreedtes en effectieve count-niveaus in de simulatie noodzakelijk was om de degradatie te matchen die wordt waargenomen in echte Fermi-oppervlakreconstructies.

Belangrijkste Bijdragen

DeepCormack Raamwerk: Een nieuw familie van algoritmen die CNN's, MLP's en UNets integreren in de MCM-pijplijn om de Fermi-oppervlakreconstructie te verbeteren.
Synthetische Datageneratie: Een methode die gebruikmaakt van SVD en DMD om realistische, diverse 3D TPMD-trainingsdata te genereren vanuit een enkele DFT-referentie, wat het gebrek aan grote experimentele datasets overwint.
Operator Formulering: Een afleiding van de Modified Cormack Method in operatornotatie, wat integratie met moderne inverse problem-technieken vergemakkelijkt.
FiLM Conditionering: De toepassing van FiLM om de UNet te conditioneren op statistische precisie (count-niveaus), waardoor het model robuust is tegen variërende ruisniveaus over het TPMD-volume.

Resultaten
De modellen werden geëvalueerd op drie datasets: synthetische DMD-data (in-distribution), Koper-data (in-distribution maar echte DFT) en $\text{ZrZn}_2$ -data (out-of-distribution/OOD). Prestaties werden gemeten met behulp van Peak Signal-to-Noise Ratio (PSNR) en de Structural Similarity Index (SSIM).

Prestaties vs. MCM: DeepCormack-modellen presteerden consistent beter dan de standaard MCM. Op synthetische data bij standaard counts (200M) bereikte de beste configuratie (pre-getrainde CNN + MLP $\to$ UNet) ~40,69 dB PSNR vergeleken met 32,38 dB voor MCM.
Robuustheid bij Lage Counts: DeepCormack toonde een significante stabiliteit bij verminderde counts. Bij 10M counts behield het beste DeepCormack-model (38,22 dB) een kwaliteit die vergelijkbaar is met MCM bij 200M counts (32,38 dB), terwijl de prestaties van MCM daalden naar 26,12 dB. Dit suggereert dat de acquisitietijden met een orde van grootte kunnen worden verminderd zonder de reconstructiekwaliteit op te offeren.
Generalisatie:
- Modellen presteerden goed op data binnen de trainingsdistributie (DMD en Cu).
- De prestaties verslechterden aanzienlijk op de OOD $\text{ZrZn}_2$ -sample. De complexe pre-getrainde configuraties (bijv. CNN+MLP+UNet) presteerden slechter dan de baseline MCM op $\text{ZrZn}_2$ , wat wijst op overfitting aan de op koper gebaseerde trainingsdistributie.
- De standalone UNet (DCU) bood de beste balans, waarbij deze MCM overtrof op $\text{ZrZn}_2$ (37,44 dB vs 33,96 dB bij 200M) en kwalitatieve verbeteringen liet zien in de Fermi-oppervlakreconstructie wanneer geconditioneerd met FiLM.

Betekenis en Claims
Het artikel claimt dat DeepCormack een pad biedt naar ofwel aanzienlijk hogere kwaliteit van Fermi-oppervlakreconstructies, ofwel aanzienlijk snellere acquisitietijden (het verkorten van de meetduur van maanden naar weken). De auteurs benadrukken dat hoewel de methode momenteel afhankelijk is van synthetische trainingsdata afgeleid van een enkele referentie (Koper), de workflow de creatie van samplespecifieke trainingsdata via DFT-berekeningen mogelijk maakt. Deze "pre-berekening" (die dagen duurt) stelt de daaropvolgende experimentele meting in staat om met minder counts te worden uitgevoerd, terwijl er nog steeds superieure resultaten worden behaald ten opzichte van de standaard MCM.

De auteurs blijven bescheiden over de generalisatiecapaciteiten en erkennen dat de huidige modellen gevoelig zijn voor de trainingsdistributie en dat de prestaties op out-of-distribution samples (zoals $\text{ZrZn}_2$ ) beperkt zijn. Ze suggereren dat toekomstig werk zich moet richten op het trainen met bredere door DFT gegenereerde datasets of echte experimentele data, en het ontwikkelen van loss-functies gebaseerd op Fermi-oppervlakmetrieken in plaats van louter beeldruimte-PSNR. Het werk beoogt de Fermiology open te stellen voor de bredere inverse problem-gemeenschap door de levensvatbaarheid van modelgebaseerde, datagedreven reconstructie in dit domein aan te tonen.

Technische Samenvatting: DeepCormack voor Fermi-oppervlaktomografie

Meer zoals dit