X射线基于科学应用的网络结构搜索
机器学习
2024-04-17 v1 信号处理
摘要
X射线和电子衍射基于衍射峰检测和ptychography进行3D成像，以原子分辨率。通常，这些技术的实现需要诸如伪Voigt函数或求解复杂反问题的计算复杂任务。最近，深度神经网络的使用显著提升了现有方法的性能。然而，神经网络模型的设计和开发依赖于来自应用专家的耗时且精力充沛的模型调优。为此，我们提出了一种超参数（Hyperparameter Search, HPS）和神经网络结构搜索（Neural Architecture Search, NAS）方法，用于自动化设计和优化神经网络模型，以实现模型大小、能源消耗和吞吐量的最佳平衡。我们通过仿真实验和真实数据集演示了自动调谐模型在与手动调谐的BraggNN和PtychoNN基准进行比较时的性能提升。我们研究并证明了在探索可调超参数的搜索空间方面，对于提高Bragg峰检测和ptychographic重建性能至关重要。我们的NAS和HPS (1) BraggNN实现了31.03%的Bragg峰检测准确率提升，同时实现了87.57%的模型大小减小；(2) PtychoNN实现了16.77%的模型准确率提升和12.82%的模型大小减小。当在Orin-AGX平台上推理时，优化后的Braggnn和Ptychonn模型分别在推理延迟上减少10.51%和9.47%，在能源消耗上分别减少44.18%和15.34%。
引用
@article{arxiv.2404.10689,
title = {Network architecture search of X-ray based scientific applications},
author = {Adarsha Balaji and Ramyad Hadidi and Gregory Kollmer and Mohammed E. Fouda and Prasanna Balaprakash},
journal= {arXiv preprint arXiv:2404.10689},
year = {2024}
}