Одним из ключевых применений технологии может стать будущий рентгеновский лазер на свободных электронах LCLS-II-HE. Установка сможет генерировать до миллиона рентгеновских импульсов в секунду. Каждый импульс позволяет получить информацию об атомной и молекулярной структуре вещества, однако обработать и сохранить весь поток данных в исходном виде крайне сложно.
Обычные алгоритмы сжатия решают проблему за счёт удаления части информации, которую считают малозначимой. Однако в научных измерениях даже небольшие детали могут оказаться важными: именно они способны содержать сведения о структуре материалов, динамике процессов или других физических явлениях.
Новый метод объединяет нейросеть с вейвлет-преобразованием. Сначала исходные данные разделяются на компоненты разных масштабов — от крупных структур до мелких деталей. Затем нейросеть обрабатывает эти компоненты и учится представлять их в компактной форме.
В зависимости от типа данных и требуемого качества восстановления такой подход позволяет уменьшить объём файлов в 10–100 раз. При этом система адаптируется к особенностям конкретного типа информации. Исследователи испытали её на данных о молекулах и материалах, изображениях магнитного поля Солнца и обычных фотографиях.
Важным преимуществом метода стала возможность извлекать только нужный фрагмент данных. При традиционном сжатии исследователю зачастую приходится сначала распаковывать весь файл, что при работе с терабайтными массивами может занимать от минут до часов и даже дней. Новый подход позволяет обращаться непосредственно к интересующей области, не восстанавливая весь массив целиком.
«При использовании обычного метода сжатия пришлось бы распаковывать весь файл целиком, на что могли уйти минуты, часы или даже дни. Наш метод позволяет распаковывать только интересующую область, а не весь массив данных», — пояснил один из разработчиков метода Жантао Чэнь.
Исследователи отмечают, что технология не обязательно должна полностью заменять существующие способы сокращения данных. Её можно использовать совместно с предварительным отбором событий и характеристик, представляющих интерес для конкретного эксперимента.
Подобные методы становятся всё более востребованными по мере роста производительности научных установок. Если объём генерируемых данных продолжит увеличиваться быстрее возможностей систем хранения и передачи, интеллектуальное сжатие может стать одним из ключевых инструментов для работы с экспериментальными данными нового поколения.
Источник: https://hightech.plus/2026/08/25/novii-instrument-na-baze-ii-szhimaet-dannie-bez-poteri-vazhnih-deta...Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
