Genom att använda maskininlärning som bildbehandlingsteknik, forskare kan dramatiskt påskynda den hittills mödosamma manuella processen att kvantitativt leta efter och vid gränssnitt utan att behöva offra noggrannhet.

I system från batterier till halvledare, kanter och gränssnitt spelar en avgörande roll för att bestämma materialets egenskaper. Forskare drivs att studera platser i ett urval där två eller flera olika komponenter möts för att skapa material som är starkare, mer energieffektiv eller längre.

I en ny studie från US Department of Energy's (DOE) Argonne National Laboratory, forskare har lagt en ny teknik baserad på maskininlärning för att avslöja hemligheterna bakom begravda gränssnitt och kanter i ett material. Genom att använda maskininlärning som bildbehandlingsteknik, forskare kan dramatiskt påskynda den hittills mödosamma manuella processen att kvantitativt titta på gränssnitt utan att behöva offra noggrannhet.

Den experimentella tekniken som används för att generera data som analyserades med maskininlärning kallas atomprobstomografi, där forskare väljer ut små nålliknande, tredimensionella prover. Enskilda atomer rivs sedan ur provet. Flygmätningar och masspektrometri utförs sedan för att identifiera var i ett material en viss atom har sitt ursprung.

Denna process genererar en mycket stor datamängd med positioner av atomer i provet. För att analysera denna datamängd, forskarna segmenterade den i tvådimensionella skivor. Varje skiva representerades sedan som en bild på vilken maskininlärningsalgoritmen kunde bestämma kanter och gränssnitt.

Vid utbildning av algoritmen för att känna igen gränssnitt, teamet under ledning av Argonne materialvetare och studieförfattare Olle Heinonen använde en okonventionell metod. Istället för att använda bilder från ett bibliotek med material som kan ha haft dåligt definierade gränser, Heinonen och hans kollegor började med bilder på katter och hundar för att hjälpa maskininlärningsalgoritmen att lära sig om kanter i en bild.

"När det gäller att träna en algoritm, dessa former som är enkla för oss men komplexa för en dator ger en användbar bevisning, "Sa Heinonen.

Sedan, Heinonen och hans kollegor kunde bevisa riktigheten i maskininlärningsalgoritmen genom att sammanställa en uppsättning molekylära dynamiksimuleringar. Dessa använde de för att göra syntetiska datamängder där sammansättningen av det simulerade provet var fullständigt känd. Genom att gå tillbaka till maskininlärningsmetoden, de kunde extrahera sammansättningsprofiler och jämföra dem med den verkliga marken sanning.

Tidigare, försök att skapa dessa typer av koncentrationsprofiler från atomprobstomografidata involverade en arbetsintensiv, manuell process. Genom att para ihop maskininlärningsalgoritmen med nyutvecklad kvantitativ analysprogramvara, Heinonen sa att han dramatiskt kunde påskynda analysen av ett brett spektrum av materialgränssnitt.

"Vår metod är skalbar, du kan lägga den på högpresterande datorer och automatisera den helt, snarare än att gå igenom manuellt och titta på olika koncentrationer, sa han. Här skickar du din kod och trycker på en knapp.

Även om tekniken utvecklades för atomprobstomografi, Heinonen förklarade att den kunde anpassas för alla typer av tomografi-även tekniker som röntgentomografi som inte nödvändigtvis avslöjar atompositioner. "Varhelst du har 3D-datamängder med viss strukturell information och gränssnitt, denna teknik kan vara användbar, " han sa.

Samarbetet som skapade studien var anmärkningsvärt för att inkludera experter från en mängd olika domäner, inklusive matematik, artificiell intelligens, nanovetenskap, materialvetenskap och datavetenskap. "Vi samlade ett brett utbud av expertis för att lösa ett utmanande problem inom materialkarakterisering, "Sa Heinonen.

"Ur maskininlärningsperspektiv, en viktig utmaning som vi måste övervinna är brist på data, "sa Argonne datorvetare Prasanna Balaprakash, en annan studieförfattare. "I en typisk maskininlärningsinställning, de märkta data som krävs för utbildning och lärande är rikliga, men i atomprobstomografi, betydande tid och ansträngning krävs för att genomföra varje experiment och manuellt identifiera isokoncentrationsytorna som märkta data. Detta hindrar oss från att tillämpa djupinlärningsmetoder direkt. "

Enligt Argonne beräkningsvetare Sandeep Madireddy, forskarna utnyttjade överföringsinlärningstekniker, inklusive användning av djupinlärningsmodeller som är utbildade i naturliga bilder, för att automatiskt identifiera kanterna i atomprobstomografidata.

Atomprobstomografi utfördes vid Northwestern University Center for Atom-Probe Tomography.

Ett papper baserat på studien, "Fassegmentering i atom-sondtomografi med hjälp av djupinlärningsbaserad kantdetektering, "dök upp den 27 december 2019, frågan om Vetenskapliga rapporter .