利用机器学习框架对像素探测器数据进行超快处理
仪器与探测器
2019-03-19 v1 数据分析、统计与概率
摘要
在高重复频率自由电子激光(FEL)设施及更广领域开展的现代光子科学依赖于以不断提高的频率(在 LCLS-II 上趋向 100 kHz)工作并产生迅速增长数据量(趋向 TB/s)的二维像素探测器。这些数据必须快速存储以供离线分析并实时汇总。在 LCLS 所有原始数据均被存储,而在 LCLS-II 上这将导致难以承受的成本;相反,启用像素探测器原始数据的实时处理,可利用 LCLS-II 应用中典型的稀疏数据可压缩性,将在线处理、离线处理及存储的规模和成本降低数个量级,同时保留完整光子信息。我们调研了机器学习近期进展是否有助于高速像素探测器的数据处理,发现典型的深度学习模型和自编码器架构未能在保留完整光子信息的同时实现有用的噪声抑制,大概是因为计算机视觉与辐射成像间的统计和特征集差异很大。然而,我们在 Tensorflow 中重新设计了 LCLS 所用最先进“经典”算法的数学等价版本。这一新颖的 Tensorflow 模型带来了优雅、紧凑且与硬件无关的代码,在廉价消费级 GPU 上处理速度提升 1 至 2 个量级,使 LCLS-II 在线分析预计成本降低 3 个量级。十年前计算机视觉由手工滤波器主导;其结构启发了深度学习革命并催生现代深度卷积网络;类似地,我们的新颖 Tensorflow 滤波器可为未来在 FEL 设施上设计用于像素探测器图像超快高效处理与分类的深度学习架构提供启发。
引用
@article{arxiv.1903.06838,
title = {Ultrafast processing of pixel detector data with machine learning frameworks},
author = {Gabriel Blaj and Chu-En Chang and Christopher J. Kenney},
journal= {arXiv preprint arXiv:1903.06838},
year = {2019}
}
备注
9 pages, 9 figures