Kunstmatige intelligentie is nu zo slim dat siliciumhersenen vaak de mens overtreffen.

Wanneer kunstmatige intelligentie samengaat met machinevisie, computers kunnen schijnbaar ongelooflijke taken uitvoeren - denk aan Tesla's zelfrijdende auto's of het griezelige vermogen van Facebook om gezichten van mensen op foto's te herkennen.

Naast het nut ervan als een nuttig hulpmiddel voor sociale media, geavanceerde beeldverwerking zou artsen op een dag kunnen helpen kankercellen snel te identificeren in beelden van biopsiemonsters of wetenschappers in staat stellen te evalueren hoe goed bepaalde materialen bestand zijn tegen de omstandigheden in een kernreactor.

"Machine learning heeft een groot potentieel om de huidige mens-betrokken benadering van beeldanalyse in microscopie te transformeren, " zegt Wei Li, die in 2018 zijn master in materiaalkunde en engineering behaalde aan de Universiteit van Wisconsin-Madison.

Aangezien veel problemen in de materiaalkunde op afbeeldingen zijn gebaseerd, toch hebben maar weinig onderzoekers expertise in machinevisie, een belangrijk knelpunt in het onderzoek is beeldherkenning en -analyse. Als student, Li realiseerde zich dat hij training in de nieuwste computationele technieken kon gebruiken om de kloof tussen kunstmatige intelligentie en materiaalwetenschappelijk onderzoek te overbruggen.

Met medewerkers waaronder Kevin Field, een stafwetenschapper bij Oak Ridge National Laboratory, Li gebruikte machine learning om snel en consistent microscopische stralingsschade aan materialen die in aanmerking komen voor kernreactoren te detecteren en te analyseren.

Met andere woorden, computers versloegen de mens in deze zware taak.

De onderzoekers beschreven hun aanpak in een paper gepubliceerd op 18 juli, 2018, in het journaal npj Computational Materials .

Machine learning maakt gebruik van statistische methoden om computers te begeleiden bij het verbeteren van hun prestaties bij een taak zonder expliciete begeleiding van een mens. Eigenlijk, machine learning leert computers om zichzelf te leren.

"In de toekomst, Ik geloof dat afbeeldingen van veel instrumenten door een machine learning-algoritme gaan voor een eerste analyse voordat ze door mensen worden overwogen. " zegt Dane Morgan, een professor in materiaalkunde en techniek aan UW-Madison en Li's adviseur.

De onderzoekers richtten zich op machinaal leren als een middel om snel door elektronenmicroscopiebeelden te bladeren van materialen die waren blootgesteld aan straling en een specifiek type schade te identificeren - een uitdagende taak omdat de foto's kunnen lijken op een maanoppervlak met kraters of een met spetters beschilderd canvas.

Die taak - absoluut cruciaal voor het ontwikkelen van veilig nucleair materiaal - zou een tijdrovend proces veel efficiënter en effectiever kunnen maken.

"Menselijke detectie en identificatie is foutgevoelig, inconsistent en inefficiënt. Misschien wel het belangrijkste, het is niet schaalbaar, ", zegt Morgan. "Nieuwe beeldtechnologieën overtreffen de menselijke mogelijkheden om de gegevens die we kunnen produceren te analyseren."

Eerder, beeldverwerkingsalgoritmen waren afhankelijk van menselijke programmeurs om expliciete beschrijvingen te geven van de identificerende kenmerken van een object. Een computer leren om iets eenvoudigs als een stopbord te herkennen, kan gepaard gaan met coderegels die een rood achthoekig object beschrijven.

Ingewikkelder, echter, articuleert alle visuele signalen die aangeven dat iets is, bijvoorbeeld, een kat. Vage oren? Scherpe tanden? Bakkebaarden? Verschillende beestjes hebben dezelfde kenmerken.

Machine learning heeft nu een heel andere benadering.

"Het is een echte verandering van denken. Je maakt geen regels - je laat de computer uitzoeken wat de regels zouden moeten zijn, ' zegt Morgan.

De huidige machine learning-benaderingen van beeldanalyse maken vaak gebruik van programma's die neurale netwerken worden genoemd en die de opmerkelijke gelaagde patroonherkenningskrachten van het menselijk brein lijken na te bootsen. Om een ​​neuraal netwerk te leren een kat te herkennen, bijvoorbeeld, wetenschappers "trainen" het programma gewoon door een verzameling nauwkeurig gelabelde foto's van verschillende kattenrassen aan te bieden. Van daaruit neemt het neurale netwerk het over, het bouwen en verfijnen van een eigen set richtlijnen voor de belangrijkste functies.

evenzo, Morgan en collega's leerden een neuraal netwerk om een ​​zeer specifiek type stralingsschade te herkennen, dislocatielussen genoemd, die enkele van de meest voorkomende zijn, maar uitdagende defecten om te identificeren en te kwantificeren, zelfs voor een mens met tientallen jaren ervaring.

Na training met 270 beelden, het neurale netwerk, gecombineerd met een ander machine learning-algoritme, een cascade-objectdetector genaamd, correct geïdentificeerd en geclassificeerd ongeveer 86 procent van de dislocatielussen in een reeks testfoto's. Ter vergelijking, menselijke experts vonden 80 procent van de defecten.

"Toen we het eindresultaat kregen, iedereen was verrast, " zegt Field. "Niet alleen door de nauwkeurigheid van de benadering, maar de snelheid. We kunnen deze lussen nu als mensen detecteren, terwijl we het in een fractie van de tijd op een standaard thuiscomputer doen."

Nadat hij was afgestudeerd, Li nam een ​​baan bij Google. Maar het onderzoek is aan de gang:momenteel, Morgan en Field werken eraan om hun trainingsdataset uit te breiden en een nieuw neuraal netwerk te leren om verschillende soorten stralingsdefecten te herkennen. Eventueel, ze stellen zich voor om een ​​enorme cloudgebaseerde bron te creëren voor materiaalwetenschappers over de hele wereld om afbeeldingen te uploaden voor vrijwel onmiddellijke analyse.

"Dit is slechts het begin, " says Morgan. "Machine learning tools will help create a cyber infrastructure that scientists can utilize in ways we are just beginning to understand."