En utilisant l'apprentissage automatique comme technique de traitement d'images, les scientifiques peuvent accélérer considérablement le processus manuel jusqu'ici laborieux de recherche quantitative et au niveau des interfaces sans avoir à sacrifier la précision.

Dans les systèmes allant des batteries aux semi-conducteurs, les bords et les interfaces jouent un rôle crucial dans la détermination des propriétés d'un matériau. Les scientifiques sont amenés à étudier des endroits dans un échantillon où deux ou plusieurs composants différents se rencontrent afin de créer des matériaux plus solides, plus écoénergétiques ou plus durables.

Dans une nouvelle étude du Laboratoire national d'Argonne du Département de l'énergie des États-Unis (DOE), des chercheurs ont mis en œuvre une nouvelle technique basée sur l'apprentissage automatique pour découvrir les secrets des interfaces et des bords enfouis dans un matériau. En utilisant l'apprentissage automatique comme technique de traitement d'images, les scientifiques peuvent accélérer considérablement le processus manuel jusqu'ici laborieux consistant à examiner quantitativement les interfaces sans avoir à sacrifier la précision.

La technique expérimentale utilisée pour générer des données qui ont été analysées à l'aide de l'apprentissage automatique est appelée tomographie par sonde atomique, dans lequel les chercheurs sélectionnent de petites aiguilles, échantillons en trois dimensions. Les atomes individuels sont ensuite arrachés à l'échantillon. Des mesures du temps de vol et de la spectrométrie de masse sont ensuite effectuées pour identifier l'origine d'un atome particulier dans un matériau.

Ce processus génère un très grand ensemble de données de positions d'atomes dans l'échantillon. Pour analyser cet ensemble de données, les chercheurs l'ont segmenté en tranches bidimensionnelles. Chaque tranche était ensuite représentée comme une image sur laquelle l'algorithme d'apprentissage automatique pouvait déterminer les bords et les interfaces.

En entraînant l'algorithme à reconnaître les interfaces, l'équipe dirigée par le scientifique des matériaux d'Argonne et auteur de l'étude Olle Heinonen a utilisé une approche non conventionnelle. Plutôt que d'utiliser des images d'une bibliothèque de matériaux qui auraient pu avoir des limites mal définies, Heinonen et ses collègues ont commencé avec des images de chats et de chiens pour aider l'algorithme d'apprentissage automatique à en savoir plus sur les bords d'une image.

"Quand il s'agit d'entraîner un algorithme, ces formes simples pour nous mais complexes pour un ordinateur fournissent un terrain d'essai utile, " a déclaré Heinonen.

Puis, Heinonen et ses collègues ont pu prouver la précision de l'algorithme d'apprentissage automatique en compilant un ensemble de simulations de dynamique moléculaire. Ils les ont utilisés pour créer des ensembles de données synthétiques dans lesquels la composition de l'échantillon simulé était complètement connue. En revenant à la méthode du machine learning, ils ont pu extraire des profils de composition et les comparer à la vérité terrain réelle.

Précédemment, les tentatives de création de ces types de profils de concentration à partir de données de tomographie par sonde atomique impliquaient un travail intensif, processus manuel. En associant l'algorithme d'apprentissage automatique à un nouveau logiciel d'analyse quantitative, Heinonen a déclaré qu'il pourrait accélérer considérablement l'analyse d'un large éventail d'interfaces matérielles.

"Notre méthode est évolutive, vous pouvez le mettre sur du calcul haute performance et l'automatiser entièrement, plutôt que de passer en revue manuellement et de regarder différentes concentrations, " dit-il. " Ici, vous envoyez votre code et appuyez sur un bouton. "

Bien que la technique ait été développée pour la tomographie par sonde atomique, Heinonen a expliqué qu'il pouvait être adapté à tout type de tomographie, même à des techniques comme la tomographie aux rayons X qui ne révèlent pas nécessairement les positions atomiques. « Où que vous ayez des ensembles de données 3D avec des informations structurelles et des interfaces, cette technique peut être utile, " il a dit.

La collaboration qui a engendré l'étude s'est distinguée par l'inclusion d'experts d'une grande variété de domaines différents, y compris les mathématiques, intelligence artificielle, nanosciences, science des matériaux et informatique. « Nous avons rassemblé une grande variété d'expertises pour résoudre un problème difficile dans la caractérisation des matériaux, " a déclaré Heinonen.

"Du point de vue de l'apprentissage automatique, un défi clé que nous devons surmonter est la rareté des données, " a déclaré l'informaticienne d'Argonne Prasanna Balaprakash, un autre auteur de l'étude. "Dans un environnement d'apprentissage automatique typique, les données étiquetées nécessaires à la formation et à l'apprentissage sont abondantes, mais en tomographie par sonde atomique, un temps et des efforts considérables sont nécessaires pour mener chaque expérience et pour identifier manuellement les surfaces d'isoconcentration en tant que données étiquetées. Cela nous empêche d'appliquer directement des approches d'apprentissage en profondeur."

Selon Sandeep Madireddy, informaticien d'Argonne, les chercheurs ont tiré parti des techniques d'apprentissage par transfert, y compris l'utilisation de modèles d'apprentissage en profondeur formés sur des images naturelles, pour identifier automatiquement les bords dans les données de tomographie de la sonde atomique.

La tomographie par sonde atomique a été réalisée au Northwestern University Center for Atom-Probe Tomography.

Un article basé sur l'étude, "Segmentation de phase en tomographie à sonde atomique utilisant la détection des contours basée sur l'apprentissage en profondeur, " paru dans le 27 décembre, 2019, problème de Rapports scientifiques .