[논문 리뷰] Autonomous Algorithm Discovery for Ptychography via Evolutionary LLM Reasoning

Xiangyu Yin, Ming Du외 4명|arXiv (Cornell University)|2026. 03. 05.

Advanced X-ray Imaging Techniques인용 수 0

한 줄 요약

Ptychi-Evolve는 대형 언어 모델을 이용해 Pty-chography 재구성을 위한 정규화 알고리즘을 자율적으로 발견하고 발전시키며, 해석 가능한 알고리즘 계보를 보존하는 채로 세 가지 도전적인 데이터셋에서 기준선을 능가합니다.

ABSTRACT

Ptychography is a computational imaging technique widely used for high-resolution materials characterization, but high-quality reconstructions often require the use of regularization functions that largely remain manually designed. We introduce Ptychi-Evolve, an autonomous framework that uses large language models (LLMs) to discover and evolve novel regularization algorithms. The framework combines LLM-driven code generation with evolutionary mechanisms, including semantically-guided crossover and mutation. Experiments on three challenging datasets (X-ray integrated circuits, low-dose electron microscopy of apoferritin, and multislice imaging with crosstalk artifacts) demonstrate that discovered regularizers outperform conventional reconstructions, achieving up to +0.26 SSIM and +8.3~dB PSNR improvements. Besides, Ptychi-Evolve records algorithm lineage and evolution metadata, enabling interpretable and reproducible analysis of discovered regularizers.

연구 동기 및 목표

• 역설적인 ptychographic 재구성에 대한 정규화 전략의 자동 탐색을 촉진합니다.
• Pty-Chi와 통합된 실행 가능한 정규화기의 LLM 주도 생성과 진화를 가능하게 합니다.
• 재현 가능한 발견을 위한 유연한 평가 및 이력 추적 파이프라인을 제공합니다.
• 다양한 데이터셋에서 기준 재구성 대비 개선을 입증합니다.

제안 방법

• LLM 엔진은 Pty-Chi와 호환되는 Python 함수 형태의 실행 가능한 정규화 코드로 생성합니다.
• 의미적으로 가이드된 교차 및 돌연변이가 정규화기의 진화적 정제를 이끕니다.
• 다중 모달 평가(실제 데이터, 전문가, 비전-언어 모델)가 선택을 이끕니다.
• 메타데이터를 포함한 이력 관리는 해석 가능성과 체크포인팅을 가능하게 합니다.
• 보안 및 입력 검증은 생성된 코드가 제한된 환경에서 안전하게 실행될 수 있도록 보장합니다.
• 체크포인팅 및 압축은 긴 실행에서 발견 과정을 관리 가능한 상태로 유지합니다.

Figure 1 : System architecture of Ptychi-Evolve showing the discovery loop. The LLM Engine generates regularizer code, which is executed by the Pty-Chi reconstruction library. The Evaluator assesses reconstruction quality and records metrics to the History Manager. Context from the history informs b

실험 결과

연구 질문

• RQ1 자율적인 LLM 주도 시스템이 수작업 설계를 넘어서는 새로운 정규화 전략을 ptychography에 대해 발견할 수 있을까?
• RQ2 의미적으로 가이드된 진화 연산이 무작위 재조합보다 더 효과적인 정규화기를 산출할까?
• RQ3 발견된 정규화기가 서로 다른 이미징 모듈리티와 아티팩트 유형에서도 강건한가?
• RQ4 완전한 알고리즘 계보를 유지하는 것이 무엇이 작동하는지 및 왜 작동하는지에 대한 해석 가능한 통찰을 가능하게 하는가?

주요 결과

데이터셋	알고리즘	성공	최고	Δ SSIM	Δ PSNR	소요 시간
X-ray IC	100	83%	0.785	+0.26	+8.3 dB	16.5 hrs
Apoferritin	147	97%	0.836	+0.12	+3.2 dB	29.5 hrs
Multislice	97	94%	0.871	+0.18	+8.0 dB	10.5 hrs

• 발견된 정규화기가 세 데이터셋 모두에서 기준 LSQML 재구성보다 상당히 우수합니다(SSIM 최대 +0.26, PSNR 최대 +8.3 dB).
• 가장 큰 절대적 개선을 보이며 83%의 성공률로 격자 아티팩트의 도전을 강조합니다.
• Apoferritin 및 multislice 데이터셋은 높은 성공률(각각 97%와 94%)로 강한 이득을 달성합니다.
• 최상위 다중 슬라이스 정규화기는 Charbonnier-TV, 그라디언트 제외, Gram 직교성, 대조에 적응하는 가중치가 적용된 스펙트럴 마스크를 포함한 네 가지 그래디언트 구성요소를 통합하여 주목할 만한 개선을 이끕니다.
• 프레임워크는 완전한 알고리즘 계보와 진화 메타데이터를 기록하여 효과적인 정규화 전략에 대한 해석 가능한 분석을 가능하게 합니다.

Figure 2 : Visual comparison of reconstructed phase images at representative iterations. Columns show a reference image, baseline reconstruction, and best discovered regularizer. For multislice and apoferritin, the reference is the simulated ground-truth phase; for X-ray IC, the reference is a long-