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

Datorer driver självkörande bilar, välja vänners ansikten från foton på Facebook, och lär sig att ta på sig jobb som vanligtvis endast anförtros mänskliga experter.

Forskare från University of Wisconsin-Madison och Oak Ridge National Laboratory har tränat datorer för att snabbt och konsekvent upptäcka och analysera mikroskopiska strålningsskador på material som övervägs för kärnreaktorer. Och datorerna överträffade människor i denna mödosamma uppgift.

"Maskininlärning har stor potential att omvandla strömmen, mänskligt engagerat tillvägagångssätt för bildanalys i mikroskopi, säger Wei Li, som tog sin magisterexamen i materialvetenskap och teknik i år från UW-Madison.

Många problem inom materialvetenskap är bildbaserade, Ändå har få forskare expertis inom maskinseende – vilket gör bildigenkänning och analys till en stor forskningsflaskhals. Som student, Li insåg att han kunde utnyttja utbildning i de senaste beräkningsteknikerna för att överbrygga klyftan mellan artificiell intelligens och materialvetenskaplig forskning.

Li, med Oak Ridge-personalforskaren Kevin Field och UW-Madison materialvetenskap och ingenjörsprofessor Dane Morgan, använde maskininlärning för att göra artificiell intelligens bättre än erfarna människor på att analysera skador på potentiellt kärnreaktormaterial. Samarbetspartnerna beskrev sitt tillvägagångssätt i en artikel som publicerades den 18 juli i tidskriften 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 Morgan, som var Lis forskarskola rådgivare.

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

Det jobbet, 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 rejäl tankeförändring. Du skapar inga regler. Du låter datorn räkna ut 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, 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. 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.

"Detta är bara början, " säger Morgan. "Verktyg för maskininlärning kommer att hjälpa till att skapa en cyberinfrastruktur som forskare kan använda på sätt som vi precis har börjat förstå."