Riassunto analitico
Le Reti Neurali Artificiali hanno mostrato un grande potenziale per applicazioni in molti campi diversi. Questa tesi descrive i passaggi necessari a implementare un algoritmo per il Ghost Imaging Computazionale a elettroni e una Rete Neurale Artificiale che simuli le caustiche di elettroni necessarie per l’applicazione della tecnica. La tesi è divisa in quattro parti. Nella prima c’è una breve introduzione alla base teorica del Ghost Imaging Computazionale, delle caustiche e delle Reti Neurali Artificiali, incluso l’ambiente Python Keras usato per sviluppare la rete. La seconda parte descrive i materiali e i metodi di questa tesi, delineando la fabbricazione del generatore di caustiche, il suo sistema di controllo e le sue caratteristiche principali, l'impostazione del Microscopio Elettronico a Trasmissione, così come i metodi utilizzati per assemblare il database necessario per addestrare la rete neurale. La terza parte descrive l’addestramento della rete e le caratteristiche principali usate per valutarne la qualità. La quarta e ultima parte mostra l’algoritmo di Ghost Imaging, la risoluzione raggiunta dalla tecnica in diverse condizioni e infine la conclusione.
|
Abstract
Artificial Neural Networks have shown great potential for application in several different fields. This thesis describes the steps needed to implement an algorithm for electron-based Computational Ghost Imaging and an Artificial Neural Network that simulates the electron caustics needed for the technique. The thesis is divided in four parts. In the first one there is a short introduction to the theoretical background of Computational Ghost Imaging, caustics, and Artificial Neural Networks, including the Keras Python environment used to develop the network. The second part describes the materials and methods of this thesis, outlining the fabrication of the caustic generator, its control system and its main features, the setup of the Transmission Electron Microscope, as well as the methods used to assemble the database needed to train the neural network. The third part describes the training of the neural network and the main features used to assess its quality. The fourth and last part shows the Ghost Imaging algorithm, the resolution reached by the technique in different conditions, and finally the conclusion.
|
