Artificiell intelligens är nu så smart att kiselhjärnor ofta överträffar människor.

När artificiell intelligens går ihop med maskinseende, datorer kan utföra till synes otroliga uppgifter – tänk på Teslas självkörande bilar eller Facebooks kusliga förmåga att plocka fram människors ansikten på bilder.

Utöver dess användbarhet som ett användbart verktyg för sociala medier, avancerad bildbehandling en dag skulle kunna hjälpa läkare att snabbt identifiera cancerceller i bilder från biopsiprover eller göra det möjligt för forskare att utvärdera hur väl vissa material tål förhållanden i en kärnkraftsreaktor.

"Maskininlärning har stor potential att omvandla den nuvarande mänskliga inblandningen av bildanalys i mikroskopi, säger Wei Li, som tog sin magisterexamen i materialvetenskap och teknik från University of Wisconsin-Madison 2018.

Med tanke på att många problem inom materialvetenskap är bildbaserade, men få forskare har expertis inom maskinseende, en stor forskningsflaskhals är bildigenkänning och analys. Som student, Li insåg att han kunde utnyttja utbildning i de senaste beräkningsteknikerna för att överbrygga klyftan mellan artificiell intelligens och materialvetenskaplig forskning.

Med medarbetare som inkluderade Kevin Field, en stabsforskare vid Oak Ridge National Laboratory, Li använde maskininlärning för att snabbt och konsekvent upptäcka och analysera strålningsskador i mikroskopisk skala på material som övervägs för kärnreaktorer.

Med andra ord, datorer överträffade människor i denna svåra uppgift.

Forskarna beskrev deras tillvägagångssätt i en artikel publicerad 18 juli, 2018, i journalen npj Beräkningsmaterial .

Maskininlärning använder statistiska metoder för att vägleda datorer mot att förbättra deras prestanda på en uppgift utan att få någon explicit vägledning från en människa. Väsentligen, maskininlärning lär datorer att lära sig själva.

"I framtiden, Jag tror att bilder från många instrument kommer att passera genom en maskininlärningsalgoritm för initial analys innan de övervägs av människor, " säger Dane Morgan, professor i materialvetenskap och teknik vid UW-Madison och Lis rådgivare.

Forskarna riktade in sig på maskininlärning som ett sätt att snabbt sålla genom elektronmikroskopibilder av material som hade utsatts för strålning och identifiera en specifik typ av skada - en utmanande uppgift eftersom fotografierna kan likna en kraterförsedd månyta eller en stänkmålad duk.

Den uppgiften – helt avgörande för att utveckla säkra kärnmaterial – skulle kunna göra en tidskrävande process mycket mer effektiv och effektiv.

"Mänsklig upptäckt och identifiering är felbenägen, inkonsekvent och ineffektivt. Kanske viktigast av allt, det är inte skalbart, " säger Morgan. "Nyere bildtekniker överträffar mänskliga möjligheter att analysera data vi kan producera."

Tidigare, bildbehandlingsalgoritmer var beroende av mänskliga programmerare för att ge explicita beskrivningar av ett objekts identifierande egenskaper. Att lära en dator att känna igen något enkelt som en stoppskylt kan innebära kodrader som beskriver ett rött åttakantigt objekt.

Mer komplex, dock, artikulerar alla visuella signaler som signalerar att något är, till exempel, en katt. Luddiga öron? Vassa tänder? Polisonger? En mängd olika djur har samma egenskaper.

Maskininlärning tar nu ett helt annat tillvägagångssätt.

"Det är en verklig förändring av tänkesätt. Du skapar inga regler – du låter datorn komma på vad reglerna ska vara, säger Morgan.

Dagens maskininlärningsmetoder för bildanalys använder ofta program som kallas neurala nätverk som verkar efterlikna den mänskliga hjärnans anmärkningsvärda skiktade mönsterigenkännande krafter. Att lära ett neuralt nätverk att känna igen en katt, till exempel, forskare "tränar" helt enkelt programmet genom att tillhandahålla en samling exakt märkta bilder av olika kattraser. Det neurala nätverket tar över därifrån, bygga och förfina sin egen uppsättning riktlinjer för de viktigaste funktionerna.

Liknande, Morgan och kollegor lärde ett neuralt nätverk att känna igen en mycket specifik typ av strålningsskada, kallade dislokationsslingor, som är några av de vanligaste, ändå utmanande defekter att identifiera och kvantifiera – även för en människa med årtionden av erfarenhet.

Efter träning med 270 bilder, det neurala nätverket, kombinerat med en annan maskininlärningsalgoritm som kallas en kaskadobjektdetektor, korrekt identifierade och klassificerade ungefär 86 procent av dislokationsslingorna i en uppsättning testbilder. För jämförelse, mänskliga experter hittade 80 procent av defekterna.

"När vi fick det slutliga resultatet, alla blev förvånade, " säger Field. "Inte bara genom tillvägagångssättets noggrannhet, men hastigheten. Vi kan nu upptäcka dessa slingor som människor medan vi gör det på en bråkdel av tiden på en vanlig hemdator."

Efter att han tagit examen, Li tog ett jobb hos Google. Men forskningen pågår:För närvarande, Morgan och Field arbetar med att utöka sin träningsdatauppsättning och lära ett nytt neuralt nätverk att känna igen olika typer av strålningsdefekter. Så småningom, de föreställer sig att skapa en enorm molnbaserad resurs för materialforskare runt om i världen för att ladda upp bilder för nästan omedelbar analys.

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