Met het begin van de 4e industriële revolutie, kunstmatige intelligentie is onlangs gebruikt in smartphonecamera's, met functies zoals autofocus, gezichtsherkenning, en 100x zoom, om ons dagelijks leven drastisch te verbeteren. Het is ook toegepast op onderzoek en ontwikkeling van nieuwe materialen.

Een gezamenlijk onderzoeksteam van POSTECH en het Korea Institute of Materials Science (KIMS) heeft deep learning toegepast op het scanning-elektronenmicroscopiesysteem (SEM) om een ​​techniek te ontwikkelen die de kwaliteit van SEM-beelden kan detecteren en verbeteren zonder menselijk toezicht. Het EMS is een essentiële materiaalanalyse-apparatuur die wordt gebruikt voor het ontwikkelen van nieuwe materialen. De bevindingen van dit onderzoek zijn onlangs gepubliceerd in Acta Materialia , het meest gezaghebbende tijdschrift op het gebied van metalen materialen.

De SEM is een van de meest geavanceerde soorten materiaalanalyseapparatuur die cruciaal is voor het onderzoeken van de correlatie tussen de microstructurele en fysieke, chemisch, en mechanische eigenschappen van materialen door hun microstructurele beeldgegevens te verstrekken. Echter, om hoogwaardige, duidelijke SEM-beelden, de machinist moet zeer bekwaam zijn om het systeem met hoge precisie te manoeuvreren, anders het kan leiden tot microscopiebeelden van lage kwaliteit. De kwaliteit van deze afbeeldingen moet worden verbeterd omdat ze direct van invloed zijn op de daaropvolgende materiaalanalyseprocessen.

hieraan, het gezamenlijke onderzoeksteam ontwikkelde een op deep learning gebaseerde herfocusseringsmethode die automatisch de kwaliteit van de microscopiebeelden detecteert en verbetert. Deze technologie is gebaseerd op een multischaal diep neuraal netwerk en het toonde aan dat de beeldkwaliteit kan worden verbeterd op blinde instellingen zonder enige voorkennis of aannames van de mate van vervaging op het niveau van beelddegradatie. In aanvulling, de onderzoekers stelden ook een techniek voor om het netwerk te trainen om niet alleen te leren hoe, maar ook waar het opnieuw moet worden scherpgesteld in niet-uniform onscherpe beelden, een stap dichter bij het commercialiseren van op AI gebaseerde materiaalanalyseapparatuur.

"We verwachten dat de kosten en tijd voor het ontwikkelen van nieuwe materialen zullen worden verminderd door het SEM-beeldvormingsproces van de scanning-elektronenmicroscopie te automatiseren, die veel wordt gebruikt voor onderzoek en ontwikkeling van nieuwe materialen, " merkte professor Seungchul Lee op, die de studie leidde.