Phasenrückgewinnung mit tiefem Lernen in der Röntgen-Einzelpartikel-Bildgebung für biologische Makromoleküle.

Zusammenfassung Die Phasenrückgewinnung ist ein wichtiges Optimierungsproblem, das beispielsweise bei der Analyse kohärenter Beugungsmuster von isolierten Proteinen auftritt. Alle iterativen Algorithmen, die in diesem Zusammenhang für die Phasenrückgewinnung eingesetzt werden, erfordern ein gewisses a priori Wissen über das Objekt, normalerweise in Form einer Unterstützung, die den Umfang des Partikels beschreibt. Die Phasenrückgewinnung ist eine zeitaufwändige Aufgabe, die oft scheitern kann, insbesondere wenn die Unterstützung zu lose oder von schlechter Qualität ist. Dieses Papier präsentiert ein neuronales Netzwerk, das in einem Bruchteil der Zeit, die für eine vollständige Phasenrückgewinnung benötigt wird, niedrigauflösende Schätzungen des phasierten Objekts erzeugen kann. Es kann auch erfolgreich als Unterstützung für weitere Analysen verwendet werden. Unser Netzwerk wird mit simulierten Daten von biologischen Makromolekülen trainiert und ist somit auf die Art der Daten zugeschnitten, die in einem typischen CDI-Experiment zu sehen sind. Andere Ansätze zur Unterstützungssuche erfordern sehr genaue Daten ohne fehlende Bereiche oder dass der vollständige Phasenrückgewinnungsalgorithmus lange laufen muss. Unser Netzwerk könnte die Offline-Analyse beschleunigen und ein Echtzeit-Feedback während der Datenerfassung bieten.