美国能源部布鲁克海文国家实验室的研究团队开发出名为“感知融合迭代断层扫描重建引擎”(PFITRE)的新型技术，通过融合人工智能与X射线物理学，成功解决了纳米级三维成像中长期存在的“缺失楔形”难题。该技术结合卷积神经网络与物理模型约束，在保持科学精度的前提下，显著提升了计算机芯片、电池材料等复杂结构的重建清晰度，相关成果发表于《npj计算材料》期刊。

传统X射线断层扫描依赖物体旋转获取多角度投影，但扁平芯片等样品因几何限制会产生数据盲区，导致图像模糊失真。HXN光束线首席科学家闫韩飞指出：“PFITRE的核心创新在于将人工智能的感知能力与物理模型的正则化约束相结合。”研究团队采用U-Net架构神经网络，通过编码器-解码器结构提取多尺度特征，并引入残差密集块增强特征捕捉能力。为解决真实数据稀缺问题，他们利用数字孪生技术生成包含噪声、错位的合成训练集，使人工智能模型能够适应实际实验条件。

论文第一作者赵崇航强调：“我们的方法不是简单优化图像外观，而是确保重建结果符合物理规律。”迭代求解引擎通过交替优化人工智能预测与物理模型，逐步消除过度校正，最终生成既清晰又准确的3D结构。测试显示，该方法在减少测量次数的同时，可将成像视野扩大至传统方法的数倍，为微芯片缺陷诊断、电池性能衰减分析等应用开辟了新途径。

尽管PFITRE目前采用逐层处理方式，研究团队正探索完整3D重建方案以提升空间一致性。未来工作将聚焦于纳入更多类型伪影校正，并开发高效训练策略以扩展模型适应性。这项突破性技术有望加速微电子、新材料和生物医学等领域的微观结构研究，为应对能源存储、医疗诊断等科学挑战提供关键工具。