Forskere udgiver køreplan for at udnytte datavidenskab og kunstig intelligens til elektronmikroskopi

Siden de blev taget i brug i 1938, elektronmikroskoper har spillet en afgørende rolle i en lang række videnskabelige fremskridt, herunder opdagelsen af ​​nye proteiner og terapeutiske midler og bidrag til elektronikrevolutionen. Men området for elektronmikroskopi skal inkorporere de seneste fremskridt inden for datavidenskab og kunstig intelligens for at realisere sit fulde potentiale i de kommende år, ifølge et globalt forskerhold ledet af Mitra Taheri, professor i materialevidenskab og teknik ved Johns Hopkins University's Whiting School of Engineering.

I en kommentar i Naturmaterialer , Taheri og teamet diskuterer en model for en åben, stærkt integreret og datadrevet mikroskopi-arkitektur, der er nødvendig for at løse fremtidige udfordringer på området såsom energilagring, kvanteinformationsvidenskab, og materialedesign. De anbefaler en tilgang, der integrerer kunstig intelligens og maskinlæring i hvert trin i mikroskopi -arbejdsgangen, muliggør eksperimenter og opdagelser, som ikke er mulige med nutidens mikroskopiteknologi alene.

"For fuldt ud at udnytte de hidtil usete mængder af data, der er tilgængelige i dag, vi er nødt til fuldstændigt at genoverveje, hvordan eksperimenter udføres i mikroskopi, " sagde Taheri, der leder Johns Hopkins' Materiale Characterization and Processing Center. "Vi nærmer os hurtigt punktet for datamætning. Ikke kun giver kunstig intelligens og maskinlæringsværktøjer os mulighed for at styre dataflow, men de muliggør også mere innovative mikroskopiløsninger fremover. "

I stykket, forfatterne diskuterer, hvordan nutidens mikroskoper giver os mulighed for at få et smugkig på verden på atomniveau ved hjælp af elektronstråler og afsløre, hvordan bevægelse og misdannelser af atomare partikler kan påvirke materialer og kemiske processer. Elektronmikroskopi og forbedringer af instrumentkomponenter såsom elektromagnetiske linser har bragt feltet langt, og muliggør udvinding af dybe, virkelig statistisk information om meget komplekse processer for første gang. Selvom dette er gode nyheder, forskerne siger, at det bringer fokus på begrænsningerne ved mikroskopi i dens nuværende tilstand. Med hensyn til at analysere flere repræsentative prøver og integrere store mængder multidimensionelle data fra højhastighedsdetektorer, traditionel mikroskopi er noget begrænset, de kæmper.

"Feltet som helhed har endnu ikke vedtaget datavidenskabelige metoder, der har revolutioneret andre domæner, såsom enkeltpartikelkryoanalyse og røntgenkrystallografi, " forklarer Steven Spurgeon, en materialeforsker ved Pacific Northwest National Laboratory og medforfatter af kommentaren. "Du drikker fra en brandslange, når instrumentet tager 1, 000 billeder i sekundet."

Taheri siger, at genovervejelse af, hvordan mikroskopieksperimenter udføres og inkorporering af disse revolutionære datavidenskabelige metoder er nøglen til at frigøre elektronmikroskopi's fulde kraft og vil spille en afgørende rolle i realiseringen af ​​målene for Materials Genome Initiative .