L'intelligenza artificiale ora è così intelligente che i cervelli di silicio spesso superano gli umani.

Quando l'intelligenza artificiale si unisce alla visione artificiale, i computer possono svolgere compiti apparentemente incredibili:pensa alle auto a guida autonoma di Tesla o alla straordinaria capacità di Facebook di individuare i volti delle persone nelle foto.

Oltre alla sua utilità come utile strumento di social media, l'elaborazione avanzata delle immagini un giorno potrebbe aiutare i medici a identificare rapidamente le cellule cancerose nelle immagini dei campioni bioptici o consentire agli scienziati di valutare quanto bene determinati materiali resistono alle condizioni in un reattore nucleare.

"L'apprendimento automatico ha un grande potenziale per trasformare l'attuale approccio umano dell'analisi delle immagini in microscopia, "dice Wei Li, che ha conseguito il master in scienza e ingegneria dei materiali presso l'Università del Wisconsin-Madison nel 2018.

Dato che molti problemi nella scienza dei materiali sono basati sull'immagine, eppure pochi ricercatori hanno esperienza nella visione artificiale, un importante collo di bottiglia della ricerca è il riconoscimento e l'analisi delle immagini. Come studente, Li si rese conto che poteva sfruttare la formazione nelle più recenti tecniche computazionali per aiutare a colmare il divario tra l'intelligenza artificiale e la ricerca sulla scienza dei materiali.

Con collaboratori che includevano Kevin Field, uno scienziato del personale dell'Oak Ridge National Laboratory, Li ha utilizzato l'apprendimento automatico per rilevare e analizzare in modo rapido e coerente i danni da radiazioni su scala microscopica ai materiali in esame per i reattori nucleari.

In altre parole, i computer hanno battuto gli umani in questo arduo compito.

I ricercatori hanno descritto il loro approccio in un articolo pubblicato il 18 luglio, 2018, nel diario npj Materiali di calcolo .

L'apprendimento automatico utilizza metodi statistici per guidare i computer verso il miglioramento delle loro prestazioni su un'attività senza ricevere alcuna guida esplicita da un essere umano. Essenzialmente, l'apprendimento automatico insegna ai computer ad apprendere da soli.

"Nel futuro, Credo che le immagini di molti strumenti passeranno attraverso un algoritmo di apprendimento automatico per l'analisi iniziale prima di essere considerate dagli umani, "dice Dane Morgan, professore di scienza e ingegneria dei materiali alla UW-Madison e consulente di Li.

I ricercatori hanno preso di mira l'apprendimento automatico come mezzo per vagliare rapidamente le immagini al microscopio elettronico di materiali che erano stati esposti a radiazioni e identificare un tipo specifico di danno, un compito impegnativo perché le fotografie possono assomigliare a una superficie lunare craterizzata o a una tela dipinta con schizzi.

Questo compito, assolutamente fondamentale per lo sviluppo di materiali nucleari sicuri, potrebbe rendere un processo che richiede tempo molto più efficiente ed efficace.

"Il rilevamento e l'identificazione umana sono soggetti a errori, incoerente e inefficiente. Forse la cosa più importante, non è scalabile, " afferma Morgan. "Le nuove tecnologie di imaging stanno superando le capacità umane di analizzare i dati che possiamo produrre".

In precedenza, gli algoritmi di elaborazione delle immagini dipendevano dai programmatori umani per fornire descrizioni esplicite delle caratteristiche identificative di un oggetto. Insegnare a un computer a riconoscere qualcosa di semplice come un segnale di stop potrebbe comportare righe di codice che descrivono un oggetto ottagonale rosso.

Più complesso, però, sta articolando tutti i segnali visivi che segnalano che qualcosa è, Per esempio, un gatto. Orecchie sfocate? Denti affilati? Basettoni? Una varietà di creature hanno le stesse caratteristiche.

L'apprendimento automatico ora ha un approccio completamente diverso.

"È un vero cambiamento di pensiero. Non fai regole, lasci che sia il computer a capire quali dovrebbero essere le regole, "dice Morgana.

Gli odierni approcci di apprendimento automatico all'analisi delle immagini utilizzano spesso programmi chiamati reti neurali che sembrano imitare i notevoli poteri di riconoscimento dei modelli a strati del cervello umano. Per insegnare a una rete neurale a riconoscere un gatto, Per esempio, gli scienziati semplicemente "addestrano" il programma fornendo una raccolta di immagini accuratamente etichettate di varie razze di gatti. La rete neurale prende il sopravvento da lì, costruendo e perfezionando il proprio set di linee guida per le caratteristiche più importanti.

Allo stesso modo, Morgan e colleghi hanno insegnato a una rete neurale a riconoscere un tipo molto specifico di danno da radiazioni, chiamati anelli di dislocazione, che sono alcuni dei più comuni, ma difficili da identificare e quantificare, anche per un essere umano con decenni di esperienza.

Dopo l'allenamento con 270 immagini, la rete neurale, combinato con un altro algoritmo di apprendimento automatico chiamato rilevatore di oggetti a cascata, correttamente identificato e classificato circa l'86 percento dei loop di dislocazione in una serie di immagini di prova. Per confronto, esperti umani hanno riscontrato l'80% dei difetti.

"Quando abbiamo ottenuto il risultato finale, tutti erano sorpresi, " dice Field. "Non solo per l'accuratezza dell'approccio, ma la velocità. Ora possiamo rilevare questi loop come gli esseri umani mentre lo facciamo in una frazione di tempo su un normale computer di casa".

Dopo essersi laureato, Li ha trovato lavoro con Google. Ma la ricerca è in corso:attualmente, Morgan e Field stanno lavorando per espandere il loro set di dati di addestramento e insegnare a una nuova rete neurale a riconoscere diversi tipi di difetti di radiazione. Infine, prevedono la creazione di un'enorme risorsa basata su cloud per gli scienziati dei materiali di tutto il mondo per caricare immagini per un'analisi quasi istantanea.

"Questo è solo l'inizio, " afferma Morgan. "Gli strumenti di apprendimento automatico aiuteranno a creare un'infrastruttura informatica che gli scienziati possono utilizzare in modi che stiamo appena iniziando a capire".