Door machine learning te gebruiken als beeldverwerkingstechniek, wetenschappers kunnen het tot nu toe moeizame handmatige proces van kwantitatief zoeken naar en naar interfaces drastisch versnellen zonder in te boeten aan nauwkeurigheid.

In systemen van batterijen tot halfgeleiders, randen en interfaces spelen een cruciale rol bij het bepalen van de eigenschappen van een materiaal. Wetenschappers worden gedreven om plaatsen in een monster te bestuderen waar twee of meer verschillende componenten samenkomen om materialen te creëren die sterker zijn, energiezuiniger of duurzamer.

In een nieuwe studie van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), onderzoekers hebben een nieuwe techniek op basis van machinaal leren gebruikt om de geheimen van begraven interfaces en randen in een materiaal bloot te leggen. Door machine learning te gebruiken als beeldverwerkingstechniek, wetenschappers kunnen het tot nu toe moeizame handmatige proces van kwantitatief kijken naar interfaces drastisch versnellen zonder in te boeten aan nauwkeurigheid.

De experimentele techniek die wordt gebruikt om gegevens te genereren die zijn geanalyseerd met behulp van machine learning, wordt atoomsondetomografie genoemd. waarin onderzoekers kleine naaldachtige, driedimensionale monsters. Individuele atomen worden vervolgens van het monster afgescheurd. Time-of-flight-metingen en massaspectrometrie worden vervolgens uitgevoerd om te bepalen waar in een materiaal een bepaald atoom is ontstaan.

Dit proces genereert een zeer grote dataset van posities van atomen in het monster. Om deze dataset te analyseren, de onderzoekers segmenteerden het in tweedimensionale plakjes. Elk segment werd vervolgens weergegeven als een afbeelding waarop het machine learning-algoritme de randen en interfaces kon bepalen.

Bij het trainen van het algoritme om interfaces te herkennen, het team onder leiding van materiaalwetenschapper en studieauteur Olle Heinonen van Argonne hanteerde een onconventionele aanpak. In plaats van afbeeldingen te gebruiken uit een bibliotheek met materialen die mogelijk slecht gedefinieerde grenzen hadden, Heinonen en zijn collega's begonnen met foto's van katten en honden om het machine learning-algoritme te helpen meer te weten te komen over randen in een afbeelding.

"Als het gaat om het trainen van een algoritme, deze vormen die voor ons eenvoudig zijn maar complex voor een computer, bieden een nuttige testbasis, ', aldus Heinonen.

Vervolgens, Heinonen en zijn collega's konden de nauwkeurigheid van het machine learning-algoritme bewijzen door een reeks moleculaire dynamica-simulaties samen te stellen. Hiermee maakten ze synthetische datasets waarin de samenstelling van de gesimuleerde steekproef volledig bekend was. Door terug te gaan naar de machine learning-methode, ze waren in staat om compositieprofielen te extraheren en deze te vergelijken met de werkelijke grondwaarheid.

Eerder, pogingen om dit soort concentratieprofielen te maken op basis van tomografiegegevens van atoomsondes waren arbeidsintensief, handmatig proces. Door het machine learning-algoritme te koppelen aan nieuw ontwikkelde software voor kwantitatieve analyse, Heinonen zei dat hij de analyse van een breed scala aan materiële interfaces drastisch kon versnellen.

"Onze werkwijze is schaalbaar, je kunt het op high performance computing zetten en het volledig automatiseren, in plaats van handmatig door te gaan en naar verschillende concentraties te kijken, "zei hij. "Hier stuur je je code en druk op een knop."

Hoewel de techniek is ontwikkeld voor atoomsondetomografie, Heinonen legde uit dat het kan worden aangepast voor elke vorm van tomografie - zelfs technieken zoals röntgentomografie die niet noodzakelijk atomaire posities onthullen. "Overal waar je 3D-datasets hebt met wat structurele informatie en interfaces, deze techniek kan nuttig zijn, " hij zei.

De samenwerking die tot het onderzoek leidde, was opmerkelijk omdat er experts uit een grote verscheidenheid aan verschillende domeinen bij betrokken waren, inclusief wiskunde, kunstmatige intelligentie, nanowetenschap, materiaalkunde en informatica. "We hebben een breed scala aan expertise samengebracht om een ​​uitdagend probleem op het gebied van materiaalkarakterisering op te lossen, ', aldus Heinonen.

"Vanuit het perspectief van machine learning, een belangrijke uitdaging die we moeten overwinnen, is het gebrek aan gegevens, " zei Argonne computerwetenschapper Prasanna Balaprakash, een andere studie auteur. "In een typische machine learning-omgeving, de gelabelde gegevens die nodig zijn voor training en leren zijn er in overvloed, maar in atoomsondetomografie, er zijn aanzienlijke tijd en moeite nodig om elk experiment uit te voeren en om de isoconcentratie-oppervlakken handmatig te identificeren als gelabelde gegevens. Dit weerhoudt ons ervan om deep learning-benaderingen rechtstreeks toe te passen."

Volgens computerwetenschapper Sandeep Madireddy van Argonne, de onderzoekers maakten gebruik van transfer learning-technieken, inclusief het gebruik van deep learning-modellen die zijn getraind op natuurlijke beelden, om automatisch de randen in de tomografiegegevens van de atoomsonde te identificeren.

Atom probe tomografie werd uitgevoerd in het Northwestern University Center for Atom-Probe Tomography.

Een paper gebaseerd op de studie, "Fasesegmentatie in atom-probe tomografie met behulp van op deep learning gebaseerde edge-detectie, " verscheen in de december 27, 2019, probleem van Wetenschappelijke rapporten .