材料科学实现了尖端技术，从轻型汽车和功能强大的计算机到高容量电池和耐用的航天器。但要开发用于这些应用的材料，需要通过大量的显微镜头对它们进行精确分析——这是一个困难且耗时的过程。
西北太平洋国家实验室(PNNL)开发的一种新的人工智能(AI)模型可以识别材料电子显微镜图像中的模式，无需人工干预，从而实现更准确和一致的材料科学。它还消除了电子显微镜自主实验的障碍——电子显微镜是所谓“自动驾驶实验室”的重要组成部分。
“我们在实验室做了很多不同的材料科学，无论是开发用于催化剂、能源存储还是电子产品的新材料，”PNNL的高级材料科学家StevenSpurgeon说，他多年来一直致力于将人工智能应用于材料科学。。
“我们还做了大量工作来了解材料在不同环境中如何演变。例如，如果将传感器放入核反应堆或航天器中，它们将暴露在高辐射环境中，导致材料退化时间。”
了解这种降解反过来有助于研究人员设计更好的材料。
通常，为了训练人工智能模型来理解辐射损伤等现象，研究人员会煞费苦心地制作一个手工标记的训练数据集，手动追踪电子显微镜图像上的辐射损伤区域。然后，该手工标记的数据集将用于训练人工智能模型，该模型将识别这些人类识别区域的共同特征，并寻求识别未标记图像中的相似区域。
手动标记数据集并不理想。这是一个耗时的过程，但此外，人类在标记时更容易出现不一致和不准确的情况，而且他们不擅长同时考虑(并公平地标记)同一样本的不同镜头(模式)。
“通常，人类会对数据进行主观评估，”司布真说。“而我们现在正在构建的硬件类型无法做到这一点。”
使用标记数据还需要人类“参与其中”，在人类解释或标记新电子显微镜图像中的数据时暂停实验过程。
解决方案：一种能够在不涉及人类的情况下分析数据的无监督模型。
取下辅助轮
“我们想要做的是提出一种无监督的方法来对电子显微镜图像进行分类，”PNNL的研究员ArmanTer-Petrosyan说。“除了分类的基本问题之外，我们还想找到使用这些模型来描述不同材料界面的方法。”
该团队从ResNet50AI模型和一个名为MicroNet的预先存在的数据集开始，该数据集包含超过100,000张未标记的电子显微镜图像。以此为基础，他们教导模型将每个电子显微镜图像划分为一个小“芯片”网格，然后指示它计算芯片之间的整体相似性，并为它们分配相似度分数。然后，将彼此最相似的一组芯片分类为“社区”，这些“社区”代表具有可比特征的图像部分。
结果是数据中模式的抽象表示，然后可以通过各自的社区将其分散回电子显微镜图像和颜色编码区域，所有这些都不需要人类告诉模型要寻找什么。
研究人员一直在应用新模型来了解核反应堆等高辐射环境中使用的材料的辐射损伤。该模型能够准确地对退化区域进行“切片”，并将图像分类为代表不同辐射损伤程度的社区。
“这是一种获取数据并表示材料中不一定彼此相邻的区域之间关系的方法，”Ter-Petrosyan解释道。
比人类更好
研究人员解释说，该模型的优点在于，它以非凡的一致性识别这些社区，生成标记数据的轮廓区域，而没有任何人类标记的反复无常的偏差。这不仅有助于评估图像，而且有助于建立描述材料不同状态的客观指标。
“我有一种完美的材料;我照射它;它开始分解，”司布真说。“我如何描述这个过程，以便我可以更好地为特定应用设计该材料?我们的问题是我们拥有数据——我们已经拥有很长时间了——并且我们能够定期收集它，但是我们不会用它来获取这些描述符。”
更重要的是，电子显微镜一次不仅仅捕获一张图像，实际上，它们捕获各种图像、光谱读数和衍射图案。但通过人工标记，数据集和人工智能模型几乎总是仅限于识别一种数据类型(或“模态”)的模式。
但现在，有了无监督人工智能，同时整合多个数据镜头的多模态模型的大门已经打开。“你添加的数据类型越多，你的模型就越强大，预测能力就越强，”司布真说。
自主实验
这一进展是PNNL在电子显微镜上进行稳健、自主材料实验的又一步。该实验室的创新AutoEM(人工智能引导透射电子显微镜)项目已经能够使用人工智能动态合并和识别电子显微镜图像中的特征，使研究人员能够选择感兴趣的点，然后通过AutoEM进行智能研究。
新模型扩展了这些功能，能够快速检测和分类相似的区域和趋势。“其中很多已经部署在PNNL的多台显微镜上，”Spurgeon说。
现在，研究人员将致力于调整模型，以了解新的数据模式以及不同且更复杂的现象。他们还致力于加快模型速度，以便在电子显微镜产生数据时实时使用它。
司布真说：“展望未来，我们真的想展示如何切实可行地做到这一点。”“这不仅仅是我们离线运行的模型，在我们进行实验时，人们正在使用它。希望这能为社区中的其他人建立一个原型。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！