Sedan de togs i bruk 1938, elektronmikroskop har spelat en central roll i en mängd vetenskapliga framsteg, inklusive upptäckten av nya proteiner och läkemedel och bidrag till elektronikrevolutionen. Men området elektronmikroskopi måste innehålla de senaste framstegen inom datavetenskap och artificiell intelligens för att förverkliga dess fulla potential under de kommande åren, enligt ett globalt forskargrupp som leds av Mitra Taheri, professor i materialvetenskap och teknik vid Johns Hopkins University's Whiting School of Engineering.

I en kommentar i Naturmaterial , Taheri och teamet diskuterar en modell för en öppen, mycket integrerad och datadriven mikroskopiarkitektur som behövs för att hantera framtida utmaningar på området, till exempel energilagring, kvantinformationsvetenskap, och materialdesign. De rekommenderar ett tillvägagångssätt som integrerar artificiell intelligens och maskininlärning i varje steg i mikroskopi -arbetsflödet, möjliggör experiment och upptäckter som inte är möjliga med dagens mikroskopiteknik ensam.

"För att fullt ut utnyttja de oöverträffade datamängderna som finns tillgängliga idag, vi måste helt ompröva hur experiment utförs i mikroskopi, "sa Taheri, som leder Johns Hopkins 'Materials Characterization and Processing Center. "Vi närmar oss snabbt punkten för datamättnad. Inte bara tillåter artificiell intelligens och verktyg för maskininlärning oss att hantera dataflöde, men de möjliggör också mer innovativa mikroskopilösningar framöver. "

I stycket, författarna diskuterar hur dagens mikroskop tillåter oss att få en smygtitt på världen på atomnivå med hjälp av elektronstrålar och avslöjar hur rörelse och missbildningar av atompartiklar kan påverka material och kemiska processer. Elektronmikroskopi och förbättringar av instrumentkomponenter som elektromagnetiska linser har tagit fältet långt, och möjliggör extraktion av djup, verkligt statistisk information om mycket komplexa processer för första gången. Även om detta är bra nyheter, forskarna säger att det fokuserar begränsningarna för mikroskopi i dess nuvarande tillstånd. När det gäller att analysera flera representativa prover och integrera stora volymer flerdimensionella data från höghastighetsdetektorer, traditionell mikroskopi är något begränsad, de hävdar.

"Fältet som helhet har ännu inte antagit datavetenskapliga metoder som har revolutionerat andra domäner, såsom enkelpartikelkryoanalys och röntgenkristallografi, "förklarar Steven Spurgeon, en materialvetare vid Pacific Northwest National Laboratory och medförfattare till kommentaren. "Du dricker ur en brandslang när instrumentet tar 1, 000 bilder i sekunden. "

Taheri säger att ompröva hur mikroskopi -experiment utförs och att införliva dessa revolutionerande datavetenskapliga metoder är nyckeln till att låsa upp elektronmikroskopins fulla kraft och kommer att spela en avgörande roll för att förverkliga målen för Initiativ för materialgenom .