自主设计实验，速度提高2.5倍！马普所AI方法拓展显微镜使用边界|使用边界|元件|光学|微分|拓扑|显微镜|自主设计实验|马普

在人类的聪明才智与创造力的推动之下，光学显微镜突破经典光衍射极限，在质量与数量上有了显著的飞跃。然而，在如此广袤的选择空间与错综复杂的实验配置组合中，一些高效的设计尚未被发现，并且可能永远不会采用人工驱动。

于此，德国马克斯普朗克光科学研究所（Max Planck Institute for the Science of Light）的研究团队介绍了一个基于JAX（Python 中的高性能计算库）开发的开源计算框架 XLuminA 。其可以快速准确的探索实验仪器的组配方式，在自己的虚拟光学设计环境中模拟出来。

通过 JAX 的加速线性代数编译器、即时编译及其无缝集成的自动矢量化、自动微分与 GPU 兼容性提供的计算速度，XLuminA 的加速相较于目前成熟的数值优化方法提高了四个数量级。

该研究以「Automated discovery of experimental designs in super-resolution microscopy with XLuminA」为题，于2024年12月10日刊登于《Nature Communications》。

在过去的二十年中，几项突破进一步拓宽了光学显微镜在生物科学的应用范围，多功能且强大的超分辨率（SR）技术对不仅限于生物学领域也同样包括化学与材料科学的技术范畴产生了相当大的影响。

这个研究的初始动机远远超过了对已知光学技术的小规模优化，旨在发现目前完全未开发的先进光学显微镜的新颖、可用于实验上的概念。

XLuminA

马克斯普朗克光科学研究所的研究团队提出了 XLuminA ，它可以将预设空间内的某一处模拟位置转换为我们需要的物理输出，然后在目标函数里使用该输出来描述所需的设计目标。

模拟器可以通过梯度的优化技术直接调用，也可以用于为基于深度学习的代理模型生成训练数据。用于自动设计与发现策略的模拟器必须高速可靠与通用，而 XLuminA 的光学模拟器很明显满足以上要求。

图 1 ：XLuminA 的概述与性能。

团队使用的方法与以前利用 AI 去进行单个光学元件的数据驱动设计的方式截然不同。虽然这些技术很有影响力，但它们并不意味着要改变实验方法的原理或光学布局本身。

相比之下，XLuminA 配备了从头开始模拟、优化和自动设计新光学设置和概念的工具。由于模拟中有不同的物理目标，XLuminA 可以在光束传播中应用不同近似值。相较于受物理技术启发的伴随法，它极大地加快了仿真器的速度。

有趣的是，伴随法可以看做是自动微分（团队所采用）的一个特例，研究员在文章中表示道。

工作流程与性能

XLuminA 允许仿真经典光学硬件配置，并支持优化和自动发现未探索的设置设计。该软件是使用 JAX 开发的，它通过加速线性代数编译器 XLA 实现增速优势，同时无缝集成自动微分框架和自动 GPU 兼容性。

需要注意的是，XLuminA 并不局限于在 CPU 上运行。由于 JAX 集成，在默认情况下是运行在 GPU 上，否则会自动退回到 CPU 。

XLuminA 在模拟光衍射和传播方面显著提高了计算速度。例如，与 CPU 上的 RS（Rayleigh-Sommerfeld）和 CZT（Chirped z-transform）相比，速度提升了约 2 倍，对于VRS和 VCZT（RS 和 CZT 的矢量化版本）分别提升了约2.5 倍。使用 GPU 时，这些提升因子分别为 64、76、80 和 78。

为了包含自动发现功能，XLuminA 的光学模拟器和优化器由损失函数捆绑在一起。在这项工作中，团队采用了一种基于梯度的策略，其中实验装置的参数在最陡的下降方向上迭代调整。

为了评估数值与分析方法计算一个梯度的评估时间以及他们在不同分辨率和设备上的收敛时间，团队准备了梯度下降算法：Broyden-Fletcher-Goldfarb-Shanno （BFGS）算法。

最后，利用 JAX 的内置 autodiff 框架，解析计算损失函数的梯度。这种方法使优化器能够有效地构建内部梯度函数，从而大大减少每次迭代的计算时间。

重新发现数据驱动

团队的目标是使用 XLuminA 来发现新的显微镜概念。从本质上讲，发现新的实验配置需要一个混合离散-连续搜索问题。离散方面源于配置光网络拓扑，而连续部分与光学元件的设置有关，例如激光功率和分束器反射率。

为了实现纯连续优化实验设计拓扑的自动发现及其参数设置，他们采用了大型复杂的光学拓扑来初始化设置。从这里开始，XLuminA 应该能够提取出人类可能还没有考虑过的更复杂的解决方案。