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

Resumo Técnico: Uma Abordagem Totalmente Convolucional para Remoção de Ruído de Dados de Dinâmica Estrutural de Espectroscopia de Correlação de Fótons de Raios X

Declaração do Problema
A Espectroscopia de Correlação de Fótons de Raios X (XPCS) é uma técnica crítica para investigar dinâmicas estruturais em materiais, abrangendo desde estados de equilíbrio até estados de não equilíbrio. O produto de dados central é a função de correlação de intensidade-intensidade em dois tempos, $C_2(q, t_1, t_2)$, que quantifica a evolução temporal. No entanto, os dados experimentais de $C_2$ são frequentemente comprometidos por baixas razões sinal-ruído (SNR) devido a condições limitadas por fótons, amostras sensíveis à radiação que exigem medições de baixa dose e artefatos de detectores.

Métodos convencionais de remoção de ruído, como filtragem gaussiana ou por média, frequentemente borram características essenciais de correlação fina. Embora Autoencoders de Remoção de Ruído (DAEs) tenham mostrado promessa, eles sofrem de limitações significativas:

1. Tamanho de Entrada Fixo: DAEs tradicionais dependem de camadas totalmente conectadas, exigindo entradas de tamanho fixo. Isso necessita de recorte ou redimensionamento de matrizes $C_2$ arbitrárias, potencialmente perdendo contexto estrutural.
2. Viés do Espaço Latente: A representação latente fixa de DAEs padrão é moldada pelas dinâmicas específicas dos dados de treinamento. Isso restringe a generalização para padrões de correlação qualitativamente diferentes (por exemplo, dinâmicas não-Kohlrausch–Williams–Watts) e frequentemente leva a super-suavização ou distorção de sinal quando aplicado a sistemas complexos e de não equilíbrio.
3. Requisitos de Dados: O treinamento eficaz frequentemente requer conjuntos de dados massivos e de alta fidelidade para popularizar o espaço latente, o que é difícil de gerar para condições experimentais diversas.

Metodologia
Os autores propõem um Autoencoder de Remoção de Ruído Totalmente Convolucional (FC-DAE) para abordar essas limitações.

• Arquitetura: O modelo é construído inteiramente sobre camadas convolucionais (estrutura codificador-decodificador) sem camadas totalmente conectadas. Utiliza um codificador com cinco camadas convolucionais (canais de saída: 1, 4, 8, 16, 32) e um decodificador espelhado usando convoluções transpostas. Todas as camadas usam kernels $3 \times 3$, passo 1 e preenchimento para preservar dimensões espaciais. Ativações da Unidade Linear Exponencial (ELU) são utilizadas, exceto na camada de saída final. Esta arquitetura permite o processamento de entradas $C_2$ de dimensões arbitrárias.
• Estratégia de Treinamento:
  • Conjunto de Dados: O modelo foi treinado em 779 padrões $C_2$ derivados de 119 experimentos únicos nas linhas de luz NSLS-II (CHX e CSX), cobrindo uma ampla gama de comportamentos dinâmicos, incluindo dinâmicas não-KWW complexas.
  • Geração de Alvo: Como dados experimentais "livres de ruído" verdadeiros não estão disponíveis, os autores empregaram uma abordagem "professor-aluno". Um DAE convencional (restrito a sub-regiões pequenas e quase-equilibradas) foi usado para gerar alvos proxy "livres de ruído" a partir de dados brutos $C_2$. O FC-DAE foi então treinado nesses alvos, aprendendo a generalizar estratégias de suavização de regiões locais confiáveis para estruturas globais maiores e mais complexas.
  • Aumento: As técnicas incluíram inverter o eixo da idade ($t_{age}$), subamostrar quadros para simular diferentes resoluções temporais e realizar bootstrapping de subamostragem de pixels (de 50% até 5%) para criar níveis de ruído variados.
• Métricas de Confiabilidade: Para garantir rigor científico, os autores introduziram métricas quantitativas para avaliar a fidelidade de reconstrução e o viés induzido pelo modelo:
  • Deslocamento Relativo de Contraste ($\Delta\beta_{obs, rel}$): Mede o viés sistemático no contraste de speckle.
  • Autocorrelação de Resíduos: Analisa a diferença entre sinais brutos e desruídos para garantir que os resíduos consistam em ruído não correlacionado em vez de perda de sinal estruturado.
  • Índice de Similaridade Estrutural (SSIM): Avalia a preservação de padrões espaciais em grande escala.

Principais Resultados

• Generalização e Fidelidade: O FC-DAE recupera com sucesso características dinâmicas intrincadas, incluindo comportamentos oscilatórios e intermitentes, que DAEs convencionais frequentemente falham em reconstruir devido à super-suavização. O modelo preserva a fidelidade estrutural mesmo em condições de baixa SNR.
• Desempenho Quantitativo:
  • Estabilidade do Modelo: A variância de conjunto entre dez modelos treinados independentemente foi encontrada como negligenciável ($\sim 10^{-4}$) em comparação com o contraste observado ($\sim 10^{-1}$), indicando que a inicialização aleatória não impacta significativamente a extração de parâmetros.
  • Análise de Viés: Em regimes de alto contraste ($\beta_{obs} > 0.1$), o deslocamento relativo de contraste está abaixo de 5%. Viés significativo ocorre apenas em regimes de sinal extremamente baixo ($\beta_{obs} < 0.05$), onde flutuações de ruído são mal identificadas como correlações físicas.
  • Extração de Parâmetros: Para dados complexos e oscilatórios, parâmetros extraídos de dados desruídos pelo FC-DAE exibem incerteza estatística substancialmente reduzida e alinham-se mais estreitamente com valores médios de conjunto do que aqueles de dados brutos.
• Recuperação Limitada por Fótons:
  • O modelo demonstrou recuperação robusta de componentes oscilatórios em $g_2$ através de níveis de ruído bootstrap (até 10% de subamostragem).
  • Em testes dependentes do vetor de onda, o FC-DAE restaurou sinais de correlação em alto $q$ (baixa intensidade) para níveis de SNR comparáveis aos dados brutos em baixo $q$ (alta intensidade).
  • Os autores estimam que esta abordagem poderia permitir medições XPCS de dinâmicas mais rápidas, aumentando a taxa de quadros alcançável por um fator de $\sim 4.4$, ou, inversamente, permitir medições em $\sim 23\%$ da dose original enquanto mantém SNR comparável.

Significância e Alegações
O artigo alega que o FC-DAE fornece uma estrutura robusta e computacionalmente eficiente para remoção de ruído de dados XPCS que supera a rigidez de DAEs de espaço latente. Ao aproveitar a invariância espacial, o modelo generaliza através de regimes dinâmicos diversos sem exigir tamanhos de entrada fixos ou treinamento especializado para cada novo comportamento dinâmico.

A significância deste trabalho reside em sua capacidade de:

1. Expandir o Espaço de Parâmetros Experimentais: Permitir análise confiável de dinâmicas sob condições limitadas por fótons e em vetores de onda maiores (escalas de comprimento menores) onde as estatísticas de contagem são pobres.
2. Melhorar a Resolução Temporal: Reduzir a necessidade de média temporal extensiva (agrupamento), permitindo a resolução de dinâmicas de não equilíbrio que evoluem rapidamente.
3. Garantir Confiabilidade Científica: Fornecer um conjunto de métricas quantitativas para identificar casos onde o processo de remoção de ruído pode desviar-se de comportamentos fisicamente significativos, garantindo que o método seja aplicado com cautela adequada na análise científica.

Os autores enfatizam que, embora o método seja poderoso, não é uma correção "universal" para todo ruído; métricas de confiabilidade são essenciais para detectar quando o modelo encontra dinâmicas ou níveis de ruído fora de sua distribuição aprendida.