Künstliche Intelligenz verbessert Super-Auflösungsmikroskopie

DRESDEN / LONDON / MÜNCHEN (IT BOLTWISE) – Generative Künstliche Intelligenz zeigt ihre Vielseitigkeit mehr und mehr in verschiedenen wissenschaftlichen Bereichen. Forscher des Center for Advanced Systems Understanding (CASUS) am Helmholtz-Zentrum Dresden-Rossendorf (HZDR) und Kollegen aus London haben das Open-Source-Algorithmus-Modell Conditional Variational Diffusion Model (CVDM) vorgestellt, das Bildqualität durch Rekonstruktion aus Zufälligkeit verbessert und dabei weniger Rechenleistung benötigt.

Die Anwendung generativer KI-Modelle in der Wissenschaft bietet neue Lösungen für inverse Probleme, bei denen es darum geht, aus Beobachtungen auf Ursachen zu schließen. Ein typisches Beispiel sind mikroskopische Bilder, aus denen Forscher mehr über ihre Probe erfahren möchten. Das von den Forschern vorgestellte CVDM verbessert nicht nur die Bildauflösung, sondern ermöglicht auch eine effizientere Datenverarbeitung und ist flexibel einsetzbar.

In der Mikroskopie ermöglicht das CVDM die Überwindung der Beugungsgrenze durch algorithmische Rekonstruktion höher aufgelöster Bilder, wobei sowohl Unschärfen als auch Rauschen aus den ursprünglich begrenzten Bildern entfernt werden. Dies stellt einen signifikanten Fortschritt gegenüber herkömmlichen Methoden dar und könnte einen erheblichen Einfluss auf die Bildgebungsgemeinschaft haben, insbesondere durch seine hohe Flexibilität und Geschwindigkeit bei vergleichbarer oder sogar besserer Qualität.

Die Forschung unterstreicht die Bedeutung generativer KI-Modelle wie Diffusionsmodelle, die von Grundrauschen ausgehend neue Bilder erzeugen, die konsistent mit den Trainingsdaten sind. Ein Beispiel dafür ist das text-zu-Video-Modell Sora von OpenAI, das dank eines Diffusionskomponenten realistischere Videos erzeugt als bisherige KI-Modelle.

Ein wesentlicher Vorteil des CVDM liegt in seiner Trainingsmethode, die „unproduktive Durchläufe“ minimiert und so den Rechenaufwand sowie den Energieverbrauch senkt. Dies macht die Diffusionsmodelle nicht nur effizienter, sondern auch umweltfreundlicher. Die Flexibilität und Schnelligkeit des CVDM, verbunden mit der Fähigkeit, direkte Hinweise bei Unsicherheiten in der Rekonstruktion zu liefern, markiert einen wichtigen Schritt vorwärts in der Lösung von Inversionsproblemen und öffnet neue Wege für Experimente und Simulationen in der Mikroskopie und darüber hinaus.