Network architecture search of X-ray based scientific applications

X射线和电子衍射显微镜使用布拉格峰检测和相位重构技术进行原子分辨率的三维成像。通常，这些技术使用计算复杂的任务，例如伪Voigt函数或解决复杂的反问题。最近，深度神经网络的使用改进了现有的最先进方法。然而，神经网络模型的设计和开发取决于应用专家对模型的耗时和劳动密集型调整。因此，我们提出了一种超参数（HPS）和神经架构搜索（NAS）方法，以自动设计和优化神经网络模型的模型大小、能耗和吞吐量。我们证明了自动调整模型相比手动调整的BraggNN和PtychoNN基准模型的性能提高。我们研究和证明了探索可调超参数的搜索空间对提高布拉格峰检测和相位重构性能的重要性。我们的NAS和HPS在（1）BraggNN中实现了31.03％的布拉格峰检测精度提高，模型大小减少了87.57％；（2）PtychoNN在模型精度上实现了16.77％的提高，模型大小减少了12.82％，与基线PtychoNN模型相比。在Orin-AGX平台上推理时，优化的BraggNN和PtychoNN模型相对于各自的基线模型，在Orin-AGX边缘平台上推理时，推理延迟分别降低了10.51％和9.47％，能耗分别降低了44.18％和15.34％。

自动设计和优化神经网络模型以提高X射线和电子衍射成像的性能和效率

使用超参数搜索和神经架构搜索来自动设计和优化神经网络模型，以提高X射线和电子衍射成像的性能和效率

该论文使用深度学习技术来提高X射线和电子衍射成像的性能和效率，通过超参数搜索和神经架构搜索自动设计和优化神经网络模型，实现了对Bragg峰检测和ptychographic重构的改进，取得了显著的性能提升。该论文的亮点包括使用自动化方法来提高模型性能和效率，以及在Orin-AGX平台上的推理性能方面的改进。

在这个领域中，最近的相关研究包括：1. 'Deep Learning for X-ray and Electron Diffraction Data Analysis: An Overview'；2. 'Deep Learning for Image Processing: A Review'；3. 'Deep Learning for Microscopy Image Analysis: A Survey'。