Les matériaux endommagés par les radiations ressemblent à une surface lunaire cratérisée, et l'apprentissage automatique peut désormais aider à la conception de réacteurs nucléaires en trouvant et en identifiant rapidement des variétés spécifiques de défauts. Crédit :Kevin Fields. Crédit :Université du Wisconsin-Madison
L'intelligence artificielle est maintenant si intelligente que les cerveaux en silicium dépassent souvent les humains.
Quand l'intelligence artificielle s'associe à la vision artificielle, les ordinateurs peuvent accomplir des tâches apparemment incroyables, pensez aux voitures autonomes de Tesla ou à l'étrange capacité de Facebook à repérer les visages des gens sur les photos.
Au-delà de son utilité en tant qu'outil de médias sociaux utile, Le traitement avancé des images pourrait un jour aider les médecins à identifier rapidement les cellules cancéreuses dans les images d'échantillons de biopsie ou permettre aux scientifiques d'évaluer dans quelle mesure certains matériaux résistent aux conditions d'un réacteur nucléaire.
"L'apprentissage automatique a un grand potentiel pour transformer l'approche actuelle de l'analyse d'images en microscopie impliquant l'homme, " dit Wei Li, qui a obtenu sa maîtrise en science et ingénierie des matériaux de l'Université du Wisconsin-Madison en 2018.
Étant donné que de nombreux problèmes en science des matériaux sont basés sur l'image, pourtant peu de chercheurs ont une expertise en vision industrielle, l'un des principaux goulets d'étranglement de la recherche est la reconnaissance et l'analyse d'images. En tant qu'étudiant, Li s'est rendu compte qu'il pouvait tirer parti de la formation aux dernières techniques de calcul pour aider à combler le fossé entre l'intelligence artificielle et la recherche en science des matériaux.
Avec des collaborateurs dont Kevin Field, un scientifique du laboratoire national d'Oak Ridge, Li a utilisé l'apprentissage automatique pour détecter et analyser rapidement et de manière cohérente les dommages causés par les radiations à l'échelle microscopique aux matériaux envisagés pour les réacteurs nucléaires.
En d'autres termes, les ordinateurs ont battu les humains dans cette tâche ardue.
Les chercheurs ont décrit leur approche dans un article publié le 18 juillet, 2018, dans la revue Matériaux de calcul npj .
L'apprentissage automatique utilise des méthodes statistiques pour guider les ordinateurs vers l'amélioration de leurs performances sur une tâche sans recevoir de conseils explicites d'un humain. Essentiellement, l'apprentissage automatique apprend aux ordinateurs à s'auto-apprendre.
"À l'avenir, Je pense que les images de nombreux instruments passeront par un algorithme d'apprentissage automatique pour une analyse initiale avant d'être prises en compte par les humains, " dit Dane Morgan, professeur de science et d'ingénierie des matériaux à l'UW-Madison et conseiller de Li.
Les chercheurs ont ciblé l'apprentissage automatique comme moyen de passer rapidement au crible des images de microscopie électronique de matériaux qui avaient été exposés à des radiations et d'identifier un type de dommage spécifique, une tâche difficile car les photographies peuvent ressembler à une surface lunaire cratérisée ou à une toile peinte par éclaboussures.
Cette tâche, absolument essentielle au développement de matières nucléaires sûres, pourrait rendre un processus fastidieux beaucoup plus efficace et efficient.
"La détection et l'identification humaines sont sujettes aux erreurs, incohérent et inefficace. Peut-être le plus important, ce n'est pas évolutif, " dit Morgan. " Les nouvelles technologies d'imagerie dépassent les capacités humaines pour analyser les données que nous pouvons produire. "
Précédemment, les algorithmes de traitement d'images dépendaient des programmeurs humains pour fournir des descriptions explicites des caractéristiques d'identification d'un objet. Apprendre à un ordinateur à reconnaître quelque chose de simple comme un panneau d'arrêt peut impliquer des lignes de code décrivant un objet octogonal rouge.
Plus complexe, cependant, articule tous les indices visuels qui signalent que quelque chose est, par exemple, un chat. Oreilles floues ? Dents pointues ? Moustaches? Une variété de créatures ont les mêmes caractéristiques.
L'apprentissage automatique adopte désormais une approche complètement différente.
"C'est un vrai changement de mentalité. Vous ne faites pas de règles, vous laissez l'ordinateur déterminer quelles devraient être les règles, " dit Morgane.
Les approches d'apprentissage automatique d'aujourd'hui pour l'analyse d'images utilisent souvent des programmes appelés réseaux de neurones qui semblent imiter les remarquables pouvoirs de reconnaissance de motifs en couches du cerveau humain. Apprendre à un réseau de neurones à reconnaître un chat, par exemple, les scientifiques « entraînent » simplement le programme en fournissant une collection d'images étiquetées avec précision de diverses races de chats. Le réseau de neurones prend le relais à partir de là, construire et affiner son propre ensemble de directives pour les caractéristiques les plus importantes.
De la même manière, Morgan et ses collègues ont appris à un réseau de neurones à reconnaître un type très spécifique de dommages causés par les radiations, appelées boucles de dislocation, qui sont parmi les plus courantes, Pourtant, des défauts difficiles à identifier et à quantifier, même pour un humain avec des décennies d'expérience.
Après une formation avec 270 images, le réseau de neurones, combiné avec un autre algorithme d'apprentissage automatique appelé détecteur d'objets en cascade, correctement identifié et classé environ 86 pour cent des boucles de dislocation dans un ensemble d'images de test. En comparaison, les experts humains ont trouvé 80 pour cent des défauts.
"Quand nous avons obtenu le résultat final, tout le monde était surpris, " dit Field. " Non seulement par la précision de l'approche, mais la vitesse. Nous pouvons maintenant détecter ces boucles comme des humains tout en le faisant en une fraction de temps sur un ordinateur domestique standard."
Après avoir obtenu son diplôme, Li a pris un emploi chez Google. Mais la recherche est en cours :actuellement, Morgan et Field s'efforcent d'étendre leur ensemble de données d'entraînement et d'apprendre à un nouveau réseau neuronal à reconnaître différents types de défauts de rayonnement. Finalement, ils envisagent de créer une ressource massive basée sur le cloud pour les scientifiques des matériaux du monde entier afin de télécharger des images pour une analyse quasi-instantanée.
"Ce n'est que le début, " dit Morgan. " Les outils d'apprentissage automatique aideront à créer une cyber-infrastructure que les scientifiques pourront utiliser d'une manière que nous commençons tout juste à comprendre. "