பெரிய அளவிலான கட்ட மீட்பு
பரந்த மற்றும் உயர் தெளிவுத்திறன் ஆகிய இரண்டும் இமேஜிங் பயன்பாடுகளுக்கு விரும்பத்தக்கவை, பல பரிமாண மற்றும் பல-அளவிலான இலக்கு தகவல்களை வழங்குகின்றன. ஃபேஸ் இமேஜிங்கின் சமீபத்திய வளர்ச்சியின் போது, பெரிய அளவிலான கண்டறிதல் பல்வேறு இமேஜிங் முறைகளில் பரவலாகப் பயன்படுத்தப்படுகிறது, இது ஆப்டிகல் சிஸ்டங்களின் ஸ்பேஷியல்-அலைவரிசை தயாரிப்பு (SBP- spatial-bandwidth product) யை மில்லியன் அளவில் இருந்து பில்லியன் அளவிற்கு விரிவுபடுத்துகிறது. இவ்வளவு பெரிய அளவிலான தரவு பிந்தைய கட்ட மீட்டெடுப்பு (PR- phase retrieval) செயலாக்கத்திற்கு பெரும் சவாலாக உள்ளது. எனவே, பல்வேறு அளவுகளில் உள்ள இமேஜிங் மற்றும் கருத்து பயன்பாடுகளுக்கு குறைந்த கணக்கீட்டு சிக்கலான மற்றும் அதிக நம்பகத்தன்மையுடன் கூடிய பெரிய அளவிலான PR நுட்பம் மிகவும் முக்கியத்துவம் வாய்ந்தது. இருப்பினும், தற்போதுள்ள PR வழிமுறைகள் குறைந்த கணக்கீட்டு சிக்கலான தன்மை, சத்தத்தை அளவிடுவதற்கான வலிமை மற்றும் வலுவான பொதுமைப்படுத்தல் ஆகியவற்றுக்கு இடையேயான பரிவர்த்தனையால் பாதிக்கப்படுகின்றன, இதனால் அவை பெரிய அளவிலான கட்ட மீட்புக்கு பொருந்தாது.
ELight இல் புதிதாக வெளியிடப்பட்ட ஒரு ஆய்வுக் கட்டுரையில், பெய்ஜிங் இன்ஸ்டிடியூட் ஆப் டெக்னாலஜியைச் சேர்ந்த பேராசிரியர் ஜுன் ஜாங் தலைமையிலான விஞ்ஞானிகள் குழு, அதிக நம்பகத்தன்மை கொண்ட சிக்கலான-டொமைன் ஃபேஸ் இமேஜிங்கை உணர்ந்து கொள்ள ஒரு திறமையான பெரிய அளவிலான கட்ட மீட்பு நுட்பத்தை உருவாக்கியுள்ளது. அவர்கள் வழக்கமான தேர்வுமுறை வழிமுறையை ஆழ்ந்த கற்றல் நுட்பத்துடன் இணைத்து, குறைந்த கணக்கீட்டு சிக்கலான தன்மையையும், சத்தத்தை அளவிடுவதற்கான வலுவான தன்மையையும் வலுவான பொதுமைப்படுத்தலையும் உணர்கிறார்கள். ஒத்திசைவான விளிம்பு விளைவு இமேஜிங் (CDI- coherent diffraction imaging), குறியிடப்பட்ட விளிம்பு விளைவு இமேஜிங் (DPI- diffraction pattern imaging) மற்றும் ஃபோரியர் பைக்கோகிராஃபிக் நுண்ணோக்கி (FPM- Fourier ptychographic microscopy) உள்ளிட்ட மூன்று இமேஜிங் முறைகளில் தற்போதுள்ள PR முறைகளுடன் அவை அறிக்கையிடப்பட்ட முறையை ஒப்பிடுகின்றன.
மாற்று ப்ரோஜெக்ஷன் (AP- alternating projection) அல்காரிதத்துடன் ஒப்பிடும்போது, சிக்னல்-டூ-சத்தம் விகிதத்தில் 17 dB அதிகரிப்புடன் சத்தத்தை அளவிடுவதற்கு அறிக்கையிடப்பட்ட நுட்பம் வலுவானது என்பதை முடிவுகள் உறுதிப்படுத்துகின்றன. தேர்வுமுறை அடிப்படையிலான வழிமுறைகளுடன் ஒப்பிடும்போது, இயங்கும் நேரம் ஒன்றுக்கு மேற்பட்ட வரிசைகளால் கணிசமாகக் குறைக்கப்படுகிறது. தவிர, அவர்கள் முதல் முறையாக மிக பெரிய அளவிலான கட்ட மீட்டெடுப்பை 8K அளவில் நிமிட நிலை நேரத்தில் நிரூபிக்கிறார்கள்.
புகாரளிக்கப்பட்ட PR நுட்பம் செருகுநிரல் மற்றும் பிளே (PNP- Plug and Play) தேர்வுமுறை கட்டமைப்பை உருவாக்குகிறது, மேலும் திறமையான பொதுமைப்படுத்தப்பட்ட-மாற்று-திட்டம் (GAP- generalized-alternating-projection) மூலோபாயத்தை உண்மையான இடத்திலிருந்து நேரியல் அல்லாத இடத்திற்கு நீட்டிக்கிறது. இந்த விஞ்ஞானிகள் தங்கள் நுட்பத்தின் கதாபாத்திரங்களை சுருக்கமாகக் கூறுகிறார்கள்: “சிக்கலான-புலம் PNP-GAP திட்டம் பல்வேறு இமேஜிங் முறைகளில் எங்கள் நுட்பத்தின் வலுவான பொதுமைப்படுத்தலை உறுதி செய்கிறது, மேலும் வழக்கமான PNP நுட்பங்களை குறைவான துணை மாறிகள், குறைந்த கணக்கீட்டு சிக்கலானது மற்றும் வேகமான ஒருங்கிணைப்பு ஆகியவற்றை விட மேம்படுத்துகிறது.”
“GAP கட்டமைப்பின் கீழ், கட்டம் திரும்பப் பெறுதல் பிரச்சனை இரண்டு துணைப் பிரச்சனைகளுடன் சிதைந்துள்ளது. இரண்டு துணைப் பிரச்சினைகளைத் தீர்ப்பதற்காக முறையே ஒரு மாற்றுத் திட்ட தீர்வு மற்றும் மேம்படுத்தும் நரம்பியல் வலையமைப்பை அறிமுகப்படுத்தினோம். இந்த இரண்டு தீர்வுகளும் ஒன்றுக்கொன்று குறைபாடுகளை ஈடுசெய்கின்றன. ஆழ்ந்த கற்றலின் மோசமான பொதுமைப்படுத்தல் மற்றும் AP-யின் மோசமான இரைச்சல் வலிமையைக் கடந்து செல்ல முடிகிறது.
“நெகிழ்வான தேர்வுமுறை கட்டமைப்பிலிருந்து பயனடைகிறது, எங்கள் நுட்பம் தன்னை மேம்படுத்திக்கொள்ள எதிர்காலத்தில் சிறந்த தீர்வுகளை அறிமுகப்படுத்த முடிகிறது. தவிர, சூப்பர்-ரெசல்யூஷன் நியூரல் நெட்வொர்க், டிப்ளரிங் நெட்வொர்க் மற்றும் பிற படங்களை மேம்படுத்தும் கரைப்பான்களைப் பயன்படுத்துவதன் தாக்கத்தை ஆராய்வது சுவாரஸ்யமானது.” என்று ஆராய்ச்சியாளர்கள் கூறுகின்றனர்.
References: