Al utilizar el aprendizaje automático como técnica de procesamiento de imágenes, Los científicos pueden acelerar drásticamente el hasta ahora laborioso proceso manual de buscar y encontrar interfaces cuantitativamente sin tener que sacrificar la precisión.

En sistemas desde baterías hasta semiconductores, los bordes y las interfaces juegan un papel crucial en la determinación de las propiedades de un material. Los científicos se ven impulsados ​​a estudiar lugares en una muestra donde dos o más componentes diferentes se encuentran para crear materiales que son más fuertes, más eficiente energéticamente o más duradero.

En un nuevo estudio del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), Los investigadores han puesto a trabajar una nueva técnica basada en el aprendizaje automático para descubrir los secretos de las interfaces y los bordes enterrados en un material. Al utilizar el aprendizaje automático como técnica de procesamiento de imágenes, los científicos pueden acelerar drásticamente el hasta ahora laborioso proceso manual de mirar cuantitativamente las interfaces sin tener que sacrificar la precisión.

La técnica experimental utilizada para generar datos que se analizaron mediante el aprendizaje automático se denomina tomografía con sonda atómica. en el que los investigadores seleccionan pequeñas agujas, muestras tridimensionales. Luego, los átomos individuales se arrancan de la muestra. Luego, se realizan mediciones de tiempo de vuelo y espectrometría de masas para identificar en qué parte de un material se originó un átomo en particular.

Este proceso genera un conjunto de datos muy grande de posiciones de átomos en la muestra. Para analizar este conjunto de datos, los investigadores lo segmentaron en cortes bidimensionales. Luego, cada segmento se representó como una imagen en la que el algoritmo de aprendizaje automático podría determinar los bordes y las interfaces.

Al entrenar el algoritmo para reconocer interfaces, el equipo dirigido por el científico de materiales de Argonne y autor del estudio, Olle Heinonen, utilizó un enfoque poco convencional. En lugar de utilizar imágenes de una biblioteca de materiales que podrían haber tenido límites mal definidos, Heinonen y sus colegas comenzaron con imágenes de perros y gatos para ayudar al algoritmo de aprendizaje automático a aprender sobre los bordes de una imagen.

"Cuando se trata de entrenar un algoritmo, estas formas que son simples para nosotros pero complejas para una computadora proporcionan un terreno de prueba útil, "Dijo Heinonen.

Luego, Heinonen y sus colegas pudieron demostrar la precisión del algoritmo de aprendizaje automático compilando un conjunto de simulaciones de dinámica molecular. Estos los utilizaron para hacer conjuntos de datos sintéticos en los que se conocía por completo la composición de la muestra simulada. Volviendo al método de aprendizaje automático, pudieron extraer perfiles de composición y compararlos con la verdad fundamental real.

Previamente, Los intentos de crear este tipo de perfiles de concentración a partir de datos de tomografía de sonda atómica implicaron un trabajo intensivo, proceso manual. Al combinar el algoritmo de aprendizaje automático con el software de análisis cuantitativo desarrollado recientemente, Heinonen dijo que podría acelerar drásticamente el análisis de una amplia gama de interfaces de materiales.

"Nuestro método es escalable, puede ponerlo en informática de alto rendimiento y automatizarlo por completo, en lugar de pasar manualmente y observar diferentes concentraciones, ", dijo." Aquí envía su código y aprieta un botón ".

Aunque la técnica se desarrolló para la tomografía con sonda atómica, Heinonen explicó que podría adaptarse para cualquier tipo de tomografía, incluso técnicas como la tomografía de rayos X que no necesariamente revelan posiciones atómicas. "Dondequiera que tenga conjuntos de datos 3-D con alguna información estructural e interfaces, esta técnica podría ser útil, " él dijo.

La colaboración que generó el estudio se destacó por incluir expertos de una amplia variedad de dominios diferentes, incluidas las matemáticas, inteligencia artificial, nanociencia, ciencia de materiales e informática. "Reunimos una amplia variedad de experiencia para resolver un problema desafiante en la caracterización de materiales, "Dijo Heinonen.

"Desde la perspectiva del aprendizaje automático, un desafío clave que tenemos que superar es la escasez de datos, "dijo la científica informática de Argonne, Prasanna Balaprakash, otro autor del estudio. "En un entorno típico de aprendizaje automático, los datos etiquetados necesarios para la formación y el aprendizaje son abundantes, pero en tomografía con sonda atómica, Se requiere mucho tiempo y esfuerzo para realizar cada experimento y para identificar manualmente las superficies de isoconcentración como datos etiquetados. Esto nos impide aplicar enfoques de aprendizaje profundo directamente ".

Según el científico computacional de Argonne Sandeep Madireddy, los investigadores aprovecharon las técnicas de aprendizaje por transferencia, incluido el uso de modelos de aprendizaje profundo entrenados en imágenes naturales, para identificar automáticamente los bordes en los datos de tomografía de la sonda atómica.

La tomografía con sonda atómica se realizó en el Centro de tomografía con sonda atómica de la Universidad Northwestern.

Un artículo basado en el estudio, "Segmentación de fase en tomografía de sonda atómica mediante detección de bordes basada en aprendizaje profundo, "apareció en el 27 de diciembre, 2019, cuestión de Informes científicos .