L'intelligence artificielle est maintenant si intelligente que les cerveaux en silicium dépassent souvent les gens.

Les ordinateurs font fonctionner les voitures autonomes, choisir les visages d'amis sur des photos sur Facebook, et apprennent à assumer des tâches généralement confiées uniquement à des experts humains.

Des chercheurs de l'Université du Wisconsin-Madison et du Oak Ridge National Laboratory ont formé des ordinateurs pour détecter et analyser rapidement et de manière cohérente les dommages causés par les radiations microscopiques aux matériaux envisagés pour les réacteurs nucléaires. Et les ordinateurs ont battu les humains dans cette tâche ardue.

"L'apprentissage automatique a un grand potentiel pour transformer le courant, approche humaine de l'analyse d'images en microscopie, " dit Wei Li, qui a obtenu cette année sa maîtrise en science et ingénierie des matériaux à l'UW-Madison.

De nombreux problèmes en science des matériaux sont basés sur l'image, Pourtant, peu de chercheurs ont une expertise en vision industrielle, ce qui fait de la reconnaissance et de l'analyse d'images un goulot d'étranglement majeur pour la recherche. 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.

Li, avec Kevin Field, scientifique d'Oak Ridge, et Dane Morgan, professeur de science des matériaux et d'ingénierie à l'UW-Madison, utilisé l'apprentissage automatique pour rendre l'intelligence artificielle meilleure que les humains expérimentés pour analyser les dommages causés aux matériaux potentiels des réacteurs nucléaires. Les collaborateurs ont décrit leur approche dans un article publié le 18 juillet 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 Morgane, qui était le conseiller d'études supérieures de Li.

Les chercheurs ont ciblé l'apprentissage automatique comme moyen de passer au crible rapidement des images de microscopie électronique de matériaux qui avaient été exposés à des radiations, et 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.

Ce travail, absolument essentiel au développement de matières nucléaires sûres, pourrait rendre un processus chronophage 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, 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 difficile, défauts 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 Champ, "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 du temps sur un ordinateur domestique standard."

Après avoir obtenu son diplôme, Li a pris un emploi chez Google, mais la recherche est en cours. 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. "