Videnskab
 Science >> Videnskab >  >> Kemi

Maskinlæringsteknikker forbedrer røntgenmaterialeanalyse

(a) Kemiske strukturer af HDGEBA og CBMA [Citation29]. (b) Skematisk illustration, der viser fremstillingen af ​​epoxyharpiksprøver på siliciumsubstrater belagt med Al2 O3 . Kredit:Videnskab og teknologi for avancerede materialer:Metoder (2023). DOI:10.1080/27660400.2023.2270529

Forskere fra RIKEN ved Japans synkrotronstrålingsanlæg SPring-8 og deres samarbejdspartnere har udviklet en hurtigere og enklere måde at udføre segmenteringsanalyse på, en vital proces inden for materialevidenskab. Den nye metode blev publiceret i tidsskriftet Science and Technology of Advanced Materials:Methods .



Segmenteringsanalyse bruges til at forstå finskalasammensætningen af ​​et materiale. Den identificerer særskilte områder (eller 'segmenter') med specifikke sammensætninger, strukturelle karakteristika eller egenskaber. Dette hjælper med at evaluere et materiales egnethed til specifikke funktioner, såvel som dets mulige begrænsninger. Det kan også bruges til kvalitetskontrol i materialefremstilling og til at identificere svaghedspunkter ved analyse af materialer, der har fejlet.

Segmenteringsanalyse er meget vigtig for synkrotronstråling røntgencomputertomografi (SR-CT), som ligner konventionel medicinsk CT-scanning, men bruger intenst fokuserede røntgenstråler produceret af elektroner, der cirkulerer i en lagerring med næsten lysets hastighed.

Holdet har demonstreret, at maskinlæring er i stand til at udføre segmenteringsanalysen for refraktionskontrast-CT, hvilket er særligt nyttigt til at visualisere den tredimensionelle struktur i prøver med små densitetsforskelle mellem områder af interesse, såsom epoxyharpikser.

"Indtil nu er der ikke rapporteret nogen generel segmenteringsanalysemetode for synkrotronstrålingsrefraktionskontrast-CT," siger førsteforfatter Satoru Hamamoto. "Forskere har generelt været nødt til at lave segmenteringsanalyser ved at prøve og fejle, hvilket har gjort det svært for dem, der ikke er eksperter."

Holdets løsning var at bruge maskinlæringsmetoder etableret inden for biomedicinske områder i kombination med en transferlæringsteknik for at finjustere segmenteringsanalysen af ​​SR-CT'er. At bygge videre på den eksisterende maskinlæringsmodel reducerede i høj grad mængden af ​​træningsdata, der var nødvendige for at opnå resultater.

"Vi har demonstreret, at hurtig og præcis segmenteringsanalyse er mulig ved hjælp af maskinlæringsmetoder, til en rimelig beregningsomkostning og på en måde, der skulle give ikke-eksperter mulighed for at opnå nøjagtighedsniveauer svarende til eksperter," siger Takaki Hatsui, der ledede forskergruppen.

Forskerne udførte en proof-of-concept-analyse, hvor de med succes opdagede områder skabt af vand i en epoxyharpiks. Deres succes tyder på, at teknikken vil være nyttig til at analysere en bred vifte af materialer.

For at gøre denne analysemetode tilgængelig så bredt og hurtigt som muligt, planlægger teamet at etablere segmenteringsanalyse som en service, der tilbydes eksterne forskere af SPring-8-datacentret, som for nylig har startet sin drift.

Flere oplysninger: Satoru Hamamoto et al., Demonstration af effektiv overførselslæring i segmenteringsproblem i synkrotronstråling røntgen-CT-data for epoxyharpiks, Science and Technology of Advanced Materials:Methods (2023). DOI:10.1080/27660400.2023.2270529

Leveret af National Institute for Materials Science




Varme artikler