Ricostruzione tridimensionale della nuvola di punti di un intero campione di tomografia atomo-sonda in superlega di cobalto (a sinistra) e l'interfaccia risultante dal metodo di rilevamento dei bordi (a destra). Credito:Laboratorio nazionale Argonne
Utilizzando l'apprendimento automatico come tecnica di elaborazione delle immagini, gli scienziati possono accelerare notevolmente il processo manuale finora laborioso di ricerca quantitativa e alle interfacce senza dover sacrificare la precisione.
Nei sistemi dalle batterie ai semiconduttori, i bordi e le interfacce giocano un ruolo cruciale nel determinare le proprietà di un materiale. Gli scienziati sono spinti a studiare i luoghi in un campione in cui due o più componenti diversi si incontrano per creare materiali più resistenti, più efficienti dal punto di vista energetico o più duraturi.
In un nuovo studio dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE), i ricercatori hanno messo a punto una nuova tecnica basata sull'apprendimento automatico per scoprire i segreti delle interfacce e dei bordi sepolti in un materiale. Utilizzando l'apprendimento automatico come tecnica di elaborazione delle immagini, gli scienziati possono accelerare notevolmente il processo manuale, finora laborioso, di esaminare quantitativamente le interfacce senza dover sacrificare la precisione.
La tecnica sperimentale utilizzata per generare dati che sono stati analizzati utilizzando l'apprendimento automatico è chiamata tomografia a sonda atomica, in cui i ricercatori selezionano piccoli aghi, campioni tridimensionali. I singoli atomi vengono quindi strappati dal campione. Vengono quindi eseguite misurazioni del tempo di volo e spettrometria di massa per identificare dove in un materiale ha avuto origine un particolare atomo.
Questo processo genera un set di dati molto ampio di posizioni degli atomi nel campione. Per analizzare questo set di dati, i ricercatori lo hanno segmentato in fette bidimensionali. Ogni fetta è stata quindi rappresentata come un'immagine su cui l'algoritmo di apprendimento automatico potrebbe determinare i bordi e le interfacce.
Nell'addestrare l'algoritmo a riconoscere le interfacce, il team guidato dallo scienziato dei materiali Argonne e autore dello studio Olle Heinonen ha utilizzato un approccio non convenzionale. Piuttosto che usare immagini da una libreria di materiali che avrebbero potuto avere confini mal definiti, Heinonen e i suoi colleghi hanno iniziato con immagini di cani e gatti per aiutare l'algoritmo di apprendimento automatico a conoscere i bordi di un'immagine.
"Quando si tratta di addestrare un algoritmo, queste forme per noi semplici ma complesse per un computer forniscono un utile banco di prova, " ha detto Heinonen.
Quindi, Heinonen e i suoi colleghi sono stati in grado di dimostrare l'accuratezza dell'algoritmo di apprendimento automatico compilando una serie di simulazioni di dinamica molecolare. Questi sono stati utilizzati per creare set di dati sintetici in cui la composizione del campione simulato era completamente nota. Tornando al metodo di apprendimento automatico, sono stati in grado di estrarre i profili di composizione e confrontarli con la realtà del terreno.
In precedenza, i tentativi di creare questi tipi di profili di concentrazione dai dati della tomografia con sonda atomica hanno comportato un lavoro intensivo, processo manuale. Associando l'algoritmo di apprendimento automatico a un software di analisi quantitativa di nuova concezione, Heinonen ha affermato di poter accelerare notevolmente l'analisi di un'ampia gamma di interfacce materiali.
"Il nostro metodo è scalabile, puoi metterlo su un computer ad alte prestazioni e automatizzarlo completamente, piuttosto che passare manualmente e guardare a diverse concentrazioni, " ha detto. "Qui mandi il tuo codice e premi un pulsante."
Sebbene la tecnica sia stata sviluppata per la tomografia con sonda atomica, Heinonen ha spiegato che potrebbe essere adattato per qualsiasi tipo di tomografia, anche tecniche come la tomografia a raggi X che non rivelano necessariamente le posizioni atomiche. "Ovunque tu abbia set di dati 3D con alcune informazioni strutturali e interfacce, questa tecnica potrebbe essere utile, " Egli ha detto.
La collaborazione che ha generato lo studio è stata notevole per l'inclusione di esperti provenienti da un'ampia varietà di domini diversi, compresa la matematica, intelligenza artificiale, nanoscienza, scienza dei materiali e informatica. "Abbiamo messo insieme un'ampia varietà di competenze per risolvere un problema impegnativo nella caratterizzazione dei materiali, " ha detto Heinonen.
"Dal punto di vista dell'apprendimento automatico, una sfida chiave che dobbiamo superare è la scarsità di dati, " ha detto l'informatica di Argonne Prasanna Balaprakash, un altro autore dello studio. "In un tipico ambiente di apprendimento automatico, i dati etichettati necessari per la formazione e l'apprendimento sono abbondanti, ma nella tomografia con sonda atomica, sono necessari tempo e sforzi significativi per condurre ogni esperimento e identificare manualmente le superfici di iso-concentrazione come dati etichettati. Questo ci impedisce di applicare direttamente approcci di deep learning".
Secondo lo scienziato computazionale di Argonne Sandeep Madireddy, i ricercatori hanno sfruttato le tecniche di apprendimento del trasferimento, compreso l'uso di modelli di deep learning addestrati su immagini naturali, per identificare automaticamente i bordi nei dati di tomografia con sonda atomica.
La tomografia con sonda atomica è stata eseguita presso il Northwestern University Center for Atom-Probe Tomography.
Un documento basato sullo studio, "Segmentazione di fase nella tomografia a sonda atomica utilizzando il rilevamento dei bordi basato sull'apprendimento profondo, " apparso il 27 dicembre, 2019, problema di Rapporti scientifici .
