Materialvetenskap möjliggör banbrytande teknik, från lätta bilar och kraftfulla datorer till högkapacitetsbatterier och hållbara rymdfarkoster. Men för att utveckla material för dessa applikationer måste de analyseras noggrant genom ett flertal mikroskopiska linser – en svår och tidskrävande process.

En ny modell för artificiell intelligens (AI) utvecklad vid Pacific Northwest National Laboratory (PNNL) kan identifiera mönster i elektronmikroskopbilder av material utan att kräva mänskligt ingripande, vilket möjliggör mer exakt och konsekvent materialvetenskap. Det tar också bort en barriär för autonoma experiment på elektronmikroskop – en viktig komponent i så kallade "självkörande labb."

"Vi gör många olika materialvetenskaper på labbet, oavsett om vi utvecklar nya material för katalysatorer, energilagring eller elektronik", säger Steven Spurgeon, en senior materialvetare på PNNL som har arbetat med att tillämpa AI i materialvetenskap i många år .

"Vi jobbar också mycket med att förstå hur material utvecklas i olika miljöer. Om du till exempel placerar sensorer i en kärnreaktor eller en rymdfarkost, kommer de att utsättas för miljöer med hög strålning, vilket leder till nedbrytning över tid."

Att förstå att nedbrytning i sin tur hjälper forskare att designa bättre material.

Vanligtvis, för att träna en AI-modell för att förstå ett fenomen som strålningsskador, skulle forskare noggrant producera en handmärkt träningsdatauppsättning, manuellt spåra de strålningsskadade områdena på elektronmikroskopbilder. Den handmärkta datamängden skulle sedan användas för att träna en AI-modell, som skulle identifiera de delade egenskaperna för dessa mänskligt identifierade regioner och försöka identifiera liknande regioner i omärkta bilder.

Att märka datamängder för hand är inte idealiskt. Det är en tidskrävande process – men dessutom är människor mer benägna att få inkonsekvenser och felaktigheter i sin märkning, och de är inte lika bra på att samtidigt överväga (och på ett jämnt sätt märka) olika linser (modaliteter) av samma prov.

"Vanligtvis gör människan subjektiva bedömningar av data," sa Spurgeon. "Och vi kan helt enkelt inte göra det med de typer av hårdvara vi bygger nu."

Att använda märkta data kräver också en människa "i slingan", att pausa experimentprocessen när människor tolkar eller märker data från en ny elektronmikroskopbild.

Lösningen:en oövervakad modell som kan analysera data utan att involvera människor.

Ta av träningshjulen

"Vad vi ville göra är att komma med ett oövervakat tillvägagångssätt för att klassificera elektronmikroskopbilder", säger Arman Ter-Petrosyan, en forskarassistent vid PNNL. "Och utöver det grundläggande problemet med klassificering, ville vi komma på sätt att använda dessa modeller för att beskriva olika materialgränssnitt."

Teamet började med ResNet50 AI-modellen och en redan existerande datauppsättning med över 100 000 omärkta elektronmikroskopbilder som kallas MicroNet. Med det som grund lärde de modellen att dela upp varje elektronmikroskopbild i ett rutnät av små "chips" och instruerade den sedan att beräkna de övergripande likheterna mellan chips och tilldela dem likhetspoäng till varandra. Grupper av marker som mest liknar varandra sorteras sedan i "communities" som representerar delar av bilden med jämförbara egenskaper.

Resultatet är en abstrakt representation av mönster i data som sedan kan spridas tillbaka över elektronmikroskopbilderna och färgkodande områden av deras respektive samhällen – allt utan att behöva en människa att berätta för modellen vad den ska leta efter.

Forskarna har tillämpat den nya modellen för att förstå strålningsskador i material som används i högstrålande miljöer som kärnreaktorer. Modellen kan noggrant "chippa" de försämrade områdena och sortera bilden i samhällen som representerar olika nivåer av strålningsskador.

"Det här är ett sätt att ta data och representera relationer mellan områden som inte nödvändigtvis ligger bredvid varandra i materialet," förklarade Ter-Petrosyan.

Bättre än människan

Skönheten med modellen, förklarade forskarna, är att den identifierar dessa samhällen med extraordinär konsistens, och producerar de skisserade regionerna av märkta data utan några av kvicksilveravvikelserna av mänsklig märkning. Detta är användbart inte bara för att bedöma en bild utan också för att upprätta objektiva mått för att beskriva olika materialtillstånd.

"Jag har ett perfekt material; jag bestrålar det; det börjar gå sönder," sa Spurgeon. "Hur beskriver jag den processen så att jag kan konstruera det materialet bättre för en viss applikation? Vårt problem är att vi har data – vi har haft dem länge – och vi kan samla in dem rutinmässigt, men vi använder det inte för att få ut dessa beskrivningar."