Materialevidenskab muliggør banebrydende teknologier, fra letvægtsbiler og kraftfulde computere til højkapacitetsbatterier og holdbare rumfartøjer. Men for at udvikle materialer til disse applikationer skal de analyseres nøje gennem adskillige mikroskopiske linser - en vanskelig og tidskrævende proces.
En ny kunstig intelligens (AI) model udviklet ved Pacific Northwest National Laboratory (PNNL) kan identificere mønstre i elektronmikroskopbilleder af materialer uden at kræve menneskelig indgriben, hvilket giver mulighed for mere nøjagtig og konsekvent materialevidenskab. Det fjerner også en barriere for autonome eksperimenter på elektronmikroskoper - en vigtig komponent i såkaldte "selvkørende laboratorier."
"Vi laver en masse forskellig materialevidenskab i laboratoriet, uanset om vi udvikler nye materialer til katalysatorer, energilagring eller elektronik," sagde Steven Spurgeon, en senior materialeforsker hos PNNL, som har arbejdet på at anvende AI i materialevidenskab i mange år .
"Vi arbejder også meget med at forstå, hvordan materialer udvikler sig i forskellige miljøer. Hvis du f.eks. sætter sensorer i en atomreaktor eller et rumfartøj, vil de blive udsat for miljøer med høj stråling, hvilket fører til nedbrydning over tid."
At forstå, at nedbrydning til gengæld hjælper forskere med at designe bedre materialer.
For at træne en AI-model til at forstå et fænomen som strålingsskader ville forskere typisk omhyggeligt producere et håndmærket træningsdatasæt, der manuelt sporer de strålingsbeskadigede områder på elektronmikroskopbilleder. Det håndmærkede datasæt ville derefter blive brugt til at træne en AI-model, som ville identificere de fælles karakteristika for disse menneske-identificerede regioner og søge at identificere lignende områder i umærkede billeder.
At mærke datasæt i hånden er ikke ideelt. Det er en tidskrævende proces - men derudover er mennesker mere tilbøjelige til uoverensstemmelser og unøjagtigheder i deres mærkning, og de er ikke så gode til samtidig at overveje (og ligefrem mærke) forskellige linser (modaliteter) af den samme prøve.
"Typisk laver mennesket subjektive vurderinger af dataene," sagde Spurgeon. "Og vi kan bare ikke gøre det med de typer hardware, vi bygger nu."
Brug af mærkede data kræver også et menneske "i løkken", der sætter eksperimenteringsprocessen på pause, mens mennesker fortolker eller mærker dataene fra et nyt elektronmikroskopbillede.
Løsningen:en uovervåget model, der er i stand til at analysere dataene uden at involvere mennesker.
Tag træningshjulene af
"Det, vi ønskede at gøre, er at komme med en uovervåget tilgang til klassificering af elektronmikroskopbilleder," sagde Arman Ter-Petrosyan, en forskningsmedarbejder ved PNNL. "Og ud over det grundlæggende problem med klassificering, ønskede vi at finde på måder at bruge disse modeller til at beskrive forskellige materialegrænseflader."
Holdet begyndte med ResNet50 AI-modellen og et allerede eksisterende datasæt med over 100.000 umærkede elektronmikroskopibilleder kaldet MicroNet. Ved at bruge det som grundlag lærte de modellen at opdele hvert elektronmikroskopbillede i et gitter af små "chips" og derefter instruerede det i at beregne de overordnede ligheder mellem chips og tildele dem lighedsscore til hinanden. Grupper af chips, der ligner hinanden mest, sorteres derefter i "fællesskaber", der repræsenterer dele af billedet med sammenlignelige funktioner.
Resultatet er en abstrakt repræsentation af mønstre i dataene, som derefter kan spredes tilbage over elektronmikroskopbillederne og farvekodende områder af deres respektive samfund – alt sammen uden at det kræver et menneske at fortælle modellen, hvad den skal kigge efter.
Forskerne har brugt den nye model til at forstå strålingsskader i materialer, der bruges i højstrålingsmiljøer som atomreaktorer. Modellen er i stand til nøjagtigt at "chippe" de forringede områder og sortere billedet i fællesskaber, der repræsenterer forskellige niveauer af strålingsskader.
"Dette er en måde at tage data på og repræsentere relationer mellem områder, der ikke nødvendigvis er ved siden af hinanden i materialet," forklarede Ter-Petrosyan.
Skønheden ved modellen, forklarede forskerne, er, at den identificerer disse samfund med ekstraordinær konsistens, der producerer de skitserede områder af mærkede data uden nogen af de kviksølviske afvigelser ved menneskelig mærkning. Dette er nyttigt, ikke kun til at vurdere et billede, men også til at etablere objektive målinger til at beskrive forskellige materialers tilstande.
"Jeg har et perfekt materiale; jeg bestråler det; det begynder at gå i stykker," sagde Spurgeon. "Hvordan beskriver jeg den proces, så jeg kan konstruere det materiale bedre til en bestemt applikation? Vores problem er, at vi har dataene – vi har haft dem i lang tid – og vi er i stand til at indsamle dem rutinemæssigt, men vi bruger det ikke til at få disse deskriptorer ud."
Hvad mere er, elektronmikroskoper fanger mere end blot ét billede ad gangen - faktisk fanger de forskellige billeder, spektroskopiaflæsninger og diffraktionsmønstre. Men med menneskelig mærkning er datasæt og AI-modeller næsten altid begrænset til at identificere mønstre på tværs af kun én type data (eller "modalitet").
Men nu, med uovervåget AI, er døren åben for multimodale modeller, der samtidig inkorporerer flere datalinser. "Jo flere typer data du tilføjer, jo mere kraftfuld og mere forudsigelig bliver din model," sagde Spurgeon.
Denne udvikling er endnu et skridt mod robuste, autonome materialeeksperimenter på elektronmikroskoper ved PNNL. Laboratoriets innovative AutoEM-projekt (Artificial Intelligence-Guided Transmission Electron Microscope) havde allerede været i stand til at bruge AI til at fusionere og identificere funktioner i elektronmikroskopbilleder i farten, hvilket gjorde det muligt for forskere at vælge interessepunkter, som derefter intelligent undersøges af AutoEM.
Den nye model udvider disse muligheder, hvilket muliggør hurtig detektering og kategorisering af lignende regioner og tendenser. "Meget af dette er allerede implementeret på flere mikroskoper hos PNNL," sagde Spurgeon.
Nu vil forskerne arbejde på at tune modellen til at forstå nye modaliteter af data såvel som forskellige og mere komplekse fænomener. De arbejder også på at fremskynde modellen, så den kan bruges i realtid, når elektronmikroskoperne producerer data.
"Fremadrettet ønsker vi virkelig at demonstrere, hvordan dette kan gøres praktisk," sagde Spurgeon. "Det er ikke kun en model, vi kører offline – den bliver brugt af folk på tidspunktet for vores eksperimenter. Forhåbentlig etablerer det en prototype for andre mennesker i samfundet."
Detaljer om modellen er offentliggjort på arXiv preprint server.
Flere oplysninger: Arman H Ter-Petrosyan et al., Uovervåget segmentering af bestrålingsinducerede ordensforstyrrelsesfaseovergange i elektronmikroskopi, arXiv (2023). DOI:10.48550/arxiv.2311.08585
Journaloplysninger: arXiv
Leveret af Pacific Northwest National Laboratory
Sidste artikelB-site stensalt-ordnet Cu-baseret dobbelt perovskit realiserer høj effektivitet og stabil CO₂ elektroreduktion
Næste artikelForskerhold introducerer superaerofobiske tredimensionelle nikkelkatalysatorer til accelereret vandelektrolyse