Forskere parrer maskinlæring med tomografi for at lære om materialegrænseflader

Ved at bruge maskinlæring som billedbehandlingsteknik, videnskabsmænd kan dramatisk accelerere den hidtil besværlige manuelle proces med kvantitativt at lede efter og på grænseflader uden at skulle ofre nøjagtigheden.

I systemer fra batterier til halvledere, kanter og grænseflader spiller en afgørende rolle for at bestemme et materiales egenskaber. Forskere er drevet til at studere steder i en prøve, hvor to eller flere forskellige komponenter mødes for at skabe materialer, der er stærkere, mere energieffektiv eller længerevarende.

I en ny undersøgelse fra det amerikanske energiministeriums (DOE) Argonne National Laboratory, forskere har sat en ny teknik baseret på maskinlæring til at arbejde med at afdække hemmelighederne bag begravede grænseflader og kanter i et materiale. Ved at bruge maskinlæring som billedbehandlingsteknik, videnskabsmænd kan dramatisk accelerere den hidtil besværlige manuelle proces med kvantitativt at se på grænseflader uden at skulle ofre nøjagtigheden.

Den eksperimentelle teknik, der bruges til at generere data, der blev analyseret ved hjælp af maskinlæring, kaldes atom probe tomography, hvor forskere udvælger små nålelignende, tredimensionelle prøver. Individuelle atomer rives derefter af prøven. Time-of-flight-målinger og massespektrometri udføres derefter for at identificere, hvor i et materiale et bestemt atom stammer fra.

Denne proces genererer et meget stort datasæt af positioner af atomer i prøven. For at analysere dette datasæt, forskerne segmenterede det i todimensionelle skiver. Hver skive blev derefter repræsenteret som et billede, hvorpå maskinlæringsalgoritmen kunne bestemme kanterne og grænsefladerne.

Ved træning af algoritmen til at genkende grænseflader, holdet ledet af Argonne materialeforsker og undersøgelsesforfatter Olle Heinonen brugte en ukonventionel tilgang. I stedet for at bruge billeder fra et bibliotek af materialer, der kunne have haft dårligt definerede grænser, Heinonen og hans kolleger begyndte med billeder af katte og hunde for at hjælpe maskinlæringsalgoritmen med at lære om kanter i et billede.

"Når det kommer til at træne en algoritme, disse former, der er enkle for os, men komplekse for en computer, giver et nyttigt prøvegrundlag, " sagde Heinonen.

Derefter, Heinonen og hans kolleger var i stand til at bevise nøjagtigheden af ​​maskinlæringsalgoritmen ved at kompilere et sæt molekylær dynamik-simuleringer. Disse brugte de til at lave syntetiske datasæt, hvor sammensætningen af ​​den simulerede prøve var fuldstændig kendt. Ved at gå tilbage til maskinlæringsmetoden, de var i stand til at udtrække kompositionsprofiler og sammenligne dem med den faktiske sandhed.

Tidligere, forsøg på at skabe disse typer koncentrationsprofiler ud fra atomsondetomografidata involverede en arbejdsintensiv, manuel proces. Ved at parre maskinlæringsalgoritmen med nyudviklet kvantitativ analysesoftware, Heinonen sagde, at han dramatisk kunne fremskynde analysen af ​​en bred vifte af materialegrænseflader.

"Vores metode er skalerbar, du kan sætte den på højtydende computere og fuldautomatisere den, i stedet for at gå igennem manuelt og se på forskellige koncentrationer, " sagde han. "Her sender du din kode og trykker på en knap."

Selvom teknikken blev udviklet til atomsondetomografi, Heinonen forklarede, at den kunne tilpasses til enhver form for tomografi - selv teknikker som røntgentomografi, der ikke nødvendigvis afslører atompositioner. "Uanset hvor du har 3D-datasæt med nogle strukturelle oplysninger og grænseflader, denne teknik kunne være nyttig, " han sagde.

Samarbejdet, der affødte undersøgelsen, var bemærkelsesværdigt for at inkludere eksperter fra en lang række forskellige domæner, herunder matematik, kunstig intelligens, nanovidenskab, materialevidenskab og datalogi. "Vi samlede en bred vifte af ekspertise for at løse et udfordrende problem i materialekarakterisering, " sagde Heinonen.

"Fra maskinlæringsperspektivet, en nøgleudfordring, som vi skal overvinde, er datamangel, " sagde Argonne datalog Prasanna Balaprakash, en anden undersøgelsesforfatter. "I en typisk maskinlæringsindstilling, de mærkede data, der kræves til træning og læring, er rigelige, men i atomsonde tomografi, Der kræves betydelig tid og indsats for at udføre hvert eksperiment og manuelt identificere iso-koncentrationsoverfladerne som mærkede data. Dette forhindrer os i at anvende dyb læringstilgange direkte."

Ifølge Argonne beregningsforsker Sandeep Madireddy, forskerne udnyttede overførselslæringsteknikker, herunder brugen af ​​deep learning-modeller trænet på naturlige billeder, for automatisk at identificere kanterne i atomsondens tomografidata.

Atomsondetomografi blev udført på Northwestern University Center for Atom-Probe Tomography.

Et papir baseret på undersøgelsen, "Fasesegmentering i atom-probe tomografi ved hjælp af deep learning-baseret kantdetektion, " optrådte i den 27. december, 2019, spørgsmål af Videnskabelige rapporter .