Kunstmatige intelligentie is nu zo slim dat siliciumhersenen vaak mensen overtreffen.

Computers bedienen zelfrijdende auto's, kies gezichten van vrienden uit foto's op Facebook, en leren banen aan te nemen die doorgaans alleen aan menselijke experts worden toevertrouwd.

Onderzoekers van de Universiteit van Wisconsin-Madison en het Oak Ridge National Laboratory hebben computers getraind om snel en consistent microscopische stralingsschade aan materialen die in aanmerking komen voor kernreactoren te detecteren en te analyseren. En de computers versloegen de mens in deze zware taak.

"Machine learning heeft een groot potentieel om de huidige, mensbetrokken benadering van beeldanalyse in microscopie, " zegt Wei Li, die dit jaar zijn master in materiaalkunde en techniek behaalde aan UW-Madison.

Veel problemen in de materiaalkunde zijn gebaseerd op afbeeldingen, toch hebben maar weinig onderzoekers expertise op het gebied van machinevisie, waardoor beeldherkenning en -analyse een belangrijk knelpunt voor onderzoek vormen. 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.

Li, met Oak Ridge-stafwetenschapper Kevin Field en UW-Madison-professor materiaalwetenschappen en techniek Dane Morgan, gebruikte machine learning om kunstmatige intelligentie beter te maken dan ervaren mensen bij het analyseren van schade aan potentiële kernreactormaterialen. De medewerkers beschreven hun aanpak in een paper dat op 18 juli in het tijdschrift werd gepubliceerd 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 zullen gaan voor de eerste analyse voordat ze door mensen worden overwogen, " zegt Morgan, die Li's graduate school adviseur was.

De onderzoekers richtten zich op machine learning 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 baan, absoluut cruciaal voor de ontwikkeling 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, 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 uitdagend, gebreken 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 Veld, "niet alleen door de nauwkeurigheid van de aanpak, maar de snelheid. We kunnen deze lussen nu als mensen detecteren, terwijl we dit in een fractie van de tijd op een standaard thuiscomputer doen."

Nadat hij was afgestudeerd, Li nam een ​​baan bij Google, maar het onderzoek loopt. 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, ", zegt Morgan. "Machineleertools zullen helpen bij het creëren van een cyberinfrastructuur die wetenschappers kunnen gebruiken op manieren die we net beginnen te begrijpen."