Как найти толщину кристалла, не перебирая тысячи вариантов ✛ ✎

Оригинал: "Scalable Bayesian Optimization of Composite Functions for Image-Based Inverse Problems in Materials Characterization"
arXiv:2609.02126v1 · 2026-09-02 · arXiv non-exclusive · собственный разбор · 1 мин
Учёные сократили дифракционную картину с 24 649 пикселей до 11 чисел и нашли толщину и наклон образца всего за 50 симуляций.

Переводчик на переговорах не слушает каждое слово: он ловит смысл целых фраз. Так и новый метод SBOCF не сравнивает каждый пиксель дифракционной картины с симуляцией. Он разрезает изображение на девять квадратов, как страницу на абзацы, и для каждого считает сумму яркостей. Вместо 24 649 пикселей остаётся 11 чисел: девять сумм и два поправочных коэффициента.

Эти 11 чисел моделируются дешёвыми заменителями дорогой симуляции, которые называются гауссовскими процессами. Умный поиск, как опытный переговорщик, выбирает следующий набор толщины и наклона, который обещает наибольшее улучшение. На синтетическом образце толщиной 380 Å и наклоном 1,5 мрад метод снизил ошибку в 290 раз по сравнению со старым способом, потратив всего 50 симуляций.

Раньше для каждого нового материала нужно было перебирать тысячи симуляций или обучать нейросеть на большой библиотеке. SBOCF не требует обучения: он использует только структуру задачи и 50 симуляций.

Переводчик, который слышит смысл целых фраз, справляется быстрее и точнее. Так и SBOCF находит толщину и наклон кристалла за 50 симуляций и помогает строить точную карту атомов. Метод уже можно применять в электронных микроскопах, а в будущем — в рентгеновской дифракции.

Число моделируемых выходов сократилось с 24 649 до 11, то есть более чем в 2000 раз, при этом итоговая ошибка уменьшилась до 290 раз. Если бы каждая симуляция занимала час, полный перебор сетки из миллиона точек занял бы 114 лет, а SBOCF справляется за 50 часов.

f(x) = \sum_{k=1}^{M}\sum_{\ell=1}^{M} (y_{k,\ell}(x) - y^{true}_{k,\ell})^2
Целевая функция, которую нужно минимизировать для оценки параметров
f(x) = \epsilon(x) f_P(x) + \delta(x)
Связь между пиксельной и фрагментной ошибками
Понятия
однопиксельная визуализация реконструкция изображения оптимизация рентгеновской визуализации синтетические изображения стохастическое моделирование информационный критерий классификация изображений задача оптимизации трёхмерная реконструкция разложение сигнала байесовская иерархическая модель подгонка методом наименьших квадратов фотографический анализ тела