Los materiales dañados por la radiación se asemejan a una superficie lunar llena de cráteres, y el aprendizaje automático ahora puede ayudar con el diseño de reactores nucleares al encontrar e identificar rápidamente variedades específicas de defectos. Crédito:Kevin Fields. Crédito:Universidad de Wisconsin-Madison
La inteligencia artificial es ahora tan inteligente que los cerebros de silicio frecuentemente superan a los humanos.
Cuando la inteligencia artificial se empareja con la visión artificial, las computadoras pueden realizar tareas aparentemente increíbles; piense en los autos autónomos de Tesla o en la asombrosa capacidad de Facebook para identificar las caras de las personas en las fotos.
Más allá de su utilidad como herramienta útil de redes sociales, El procesamiento avanzado de imágenes algún día podría ayudar a los médicos a identificar rápidamente las células cancerosas en imágenes de muestras de biopsia o permitir a los científicos evaluar qué tan bien ciertos materiales resisten las condiciones en un reactor de energía nuclear.
"El aprendizaje automático tiene un gran potencial para transformar el enfoque actual de análisis de imágenes en el que participan seres humanos en microscopía, "dice Wei Li, quien obtuvo su maestría en ciencia e ingeniería de materiales de la Universidad de Wisconsin-Madison en 2018.
Dado que muchos problemas en la ciencia de los materiales se basan en imágenes, sin embargo, pocos investigadores tienen experiencia en visión artificial, Un cuello de botella importante en la investigación es el reconocimiento y el análisis de imágenes. Como estudiante, Li se dio cuenta de que podía aprovechar el entrenamiento en las últimas técnicas computacionales para ayudar a cerrar la brecha entre la inteligencia artificial y la investigación en ciencia de materiales.
Con colaboradores que incluyeron a Kevin Field, un científico del personal del Laboratorio Nacional de Oak Ridge, Li utilizó el aprendizaje automático para detectar y analizar rápida y consistentemente los daños por radiación a escala microscópica en los materiales que se están considerando para los reactores nucleares.
En otras palabras, las computadoras superaron a los humanos en esta ardua tarea.
Los investigadores describieron su enfoque en un artículo publicado el 18 de julio, 2018, en el diario Materiales computacionales npj .
El aprendizaje automático utiliza métodos estadísticos para guiar a las computadoras hacia la mejora de su desempeño en una tarea sin recibir ninguna guía explícita de un ser humano. Esencialmente, el aprendizaje automático enseña a las computadoras a aprender por sí mismas.
"En el futuro, Creo que las imágenes de muchos instrumentos pasarán por un algoritmo de aprendizaje automático para su análisis inicial antes de ser consideradas por humanos. "dice Dane Morgan, profesor de ciencia e ingeniería de materiales en UW-Madison y asesor de Li.
Los investigadores apuntaron al aprendizaje automático como un medio para examinar rápidamente imágenes de microscopía electrónica de materiales que habían estado expuestos a radiación e identificar un tipo específico de daño, una tarea desafiante porque las fotografías pueden parecerse a una superficie lunar llena de cráteres o un lienzo pintado con salpicaduras.
Esa tarea, absolutamente fundamental para el desarrollo de materiales nucleares seguros, podría hacer que un proceso que requiere mucho tiempo sea mucho más eficiente y eficaz.
"La detección e identificación humana es propensa a errores, inconsistente e ineficiente. Quizás lo más importante no es escalable, ", dice Morgan." Las nuevas tecnologías de imágenes están superando las capacidades humanas para analizar los datos que podemos producir ".
Previamente, Los algoritmos de procesamiento de imágenes dependían de programadores humanos para proporcionar descripciones explícitas de las características de identificación de un objeto. Enseñar a una computadora a reconocer algo simple como una señal de alto puede involucrar líneas de código que describen un objeto octogonal rojo.
Mas complejo, sin embargo, articula todas las señales visuales que indican que algo está, por ejemplo, un gato. ¿Orejas peludas? ¿Dientes afilados? ¿Bigotes? Varias criaturas tienen esas mismas características.
El aprendizaje automático ahora adopta un enfoque completamente diferente.
"Es un cambio real de pensamiento. No se establecen reglas, se deja que la computadora descubra cuáles deberían ser las reglas, "dice Morgan.
Los enfoques actuales de aprendizaje automático para el análisis de imágenes a menudo utilizan programas llamados redes neuronales que parecen imitar los notables poderes de reconocimiento de patrones en capas del cerebro humano. Para enseñarle a una red neuronal a reconocer a un gato, por ejemplo, los científicos simplemente "entrenan" el programa proporcionando una colección de imágenes etiquetadas con precisión de varias razas de gatos. La red neuronal toma el relevo a partir de ahí, construyendo y perfeccionando su propio conjunto de pautas para las características más importantes.
Similar, Morgan y sus colegas enseñaron a una red neuronal a reconocer un tipo muy específico de daño por radiación, llamados bucles de dislocación, cuáles son algunos de los más comunes, Sin embargo, es un desafío identificar y cuantificar defectos, incluso para un ser humano con décadas de experiencia.
Después de entrenar con 270 imágenes, la red neuronal, combinado con otro algoritmo de aprendizaje automático llamado detector de objetos en cascada, Identificó y clasificó correctamente aproximadamente el 86 por ciento de los bucles de dislocación en un conjunto de imágenes de prueba. Para comparacion, los expertos humanos encontraron el 80 por ciento de los defectos.
"Cuando obtuvimos el resultado final, todos se sorprendieron, "dice Field." No solo por la precisión del enfoque, pero la velocidad. Ahora podemos detectar estos bucles como humanos mientras lo hacemos en una fracción de tiempo en una computadora doméstica estándar ".
Después de graduarse, Li aceptó un trabajo en Google. Pero la investigación está en curso:actualmente, Morgan y Field están trabajando para expandir su conjunto de datos de entrenamiento y enseñar una nueva red neuronal para reconocer diferentes tipos de defectos de radiación. Finalmente, prevén la creación de un recurso masivo basado en la nube para que los científicos de materiales de todo el mundo carguen imágenes para un análisis casi instantáneo.
"This is just the beginning, " says Morgan. "Machine learning tools will help create a cyber infrastructure that scientists can utilize in ways we are just beginning to understand."