数据驱动的模拟用于训练基于人工智能的中子图像细分

科学领域:

• 材料科学是一种材料科学.
• 中子子成像成像技术
• 人工智能的人工智能是人工智能.

背景情况:

• 中子干扰仪使纳米级材料的特征化 (1 nm 10 μm) 成为可能.
• 有限的实验时间限制了人工智能驱动分析的图像数量.
• 监督的人工智能模型需要大量的注释数据,由于时间限制,这些数据往往无法获得.

研究的目的:

• 开发一个数据驱动的模拟框架,用于生成合成中子图像.
• 增加有限的实验数据集,以改善人工智能模型培训.
• 为了减少手工劳动,并增加对基于AI的图像细分精度的信心.

主要方法:

• 使用了一个数据驱动的模拟框架,结合了约翰逊家族概率密度函数 (PDF).
• 实施了多步骤过程:PDF估计,验证,面具设计,强度生成和AI模型培训.
• 使用AI模型应用框架对九个校准幻影的四维图像进行细分.

主要成果:

• 成功生成合成图像,以补充用于人工智能培训的测量数据.
• 用合成和测量数据相结合训练的人工智能模型实现了准确的细分.
• 证明了该框架在克服中子成像分析数据短缺方面的有效性.

结论:

• 开发的模拟框架有效地解决了中子干扰测量的数据限制.
• 合成数据生成增强了AI模型的性能,用于材料细分.
• 这种方法为中子成像实验中的自动化分析提供了可行的解决方案.