A inteligência artificial agora é tão inteligente que os cérebros de silício freqüentemente superam os humanos.

Quando a inteligência artificial se une à visão de máquina, os computadores podem realizar tarefas aparentemente incríveis - pense nos carros autônomos da Tesla ou na incrível capacidade do Facebook de identificar os rostos das pessoas nas fotos.

Além de sua utilidade como ferramenta útil de mídia social, O processamento avançado de imagens algum dia poderá ajudar os médicos a identificar rapidamente as células cancerosas em imagens de amostras de biópsia ou permitir que os cientistas avaliem como certos materiais resistem às condições em um reator de energia nuclear.

"O aprendizado de máquina tem um grande potencial para transformar a abordagem atual da análise de imagens envolvendo humanos em microscopia, "diz Wei Li, que obteve o título de mestre em ciência e engenharia de materiais pela University of Wisconsin-Madison em 2018.

Dado que muitos problemas na ciência dos materiais são baseados em imagens, no entanto, poucos pesquisadores têm experiência em visão de máquina, um grande gargalo da pesquisa é o reconhecimento e a análise de imagens. Como um estudante, Li percebeu que poderia alavancar o treinamento nas técnicas computacionais mais recentes para ajudar a preencher a lacuna entre a inteligência artificial e a pesquisa em ciência dos materiais.

Com colaboradores que incluíam Kevin Field, um cientista da equipe do Laboratório Nacional Oak Ridge, Li usou o aprendizado de máquina para detectar e analisar de forma rápida e consistente os danos da radiação em escala microscópica aos materiais em consideração para os reatores nucleares.

Em outras palavras, os computadores superaram os humanos nessa árdua tarefa.

Os pesquisadores descreveram sua abordagem em um artigo publicado em 18 de julho, 2018, no jornal npj materiais computacionais .

O aprendizado de máquina usa métodos estatísticos para orientar os computadores a melhorar seu desempenho em uma tarefa sem receber nenhuma orientação explícita de um ser humano. Essencialmente, o aprendizado de máquina ensina os computadores a aprenderem sozinhos.

"No futuro, Acredito que as imagens de muitos instrumentos passarão por um algoritmo de aprendizado de máquina para análise inicial antes de serem consideradas pelos humanos, "diz Dane Morgan, professor de ciência de materiais e engenharia na UW-Madison e conselheiro de Li.

Os pesquisadores visaram o aprendizado de máquina como um meio de filtrar rapidamente imagens de microscopia eletrônica de materiais que foram expostos à radiação e identificar um tipo específico de dano - uma tarefa desafiadora porque as fotografias podem se assemelhar a uma superfície lunar com crateras ou uma tela pintada com respingos.

Essa tarefa - absolutamente crítica para o desenvolvimento de materiais nucleares seguros - poderia tornar um processo demorado muito mais eficiente e eficaz.

"A detecção e identificação humana são propensas a erros, inconsistente e ineficiente. Talvez o mais importante, não é escalável, "diz Morgan." As novas tecnologias de imagem estão superando as capacidades humanas de analisar os dados que podemos produzir. "

Anteriormente, algoritmos de processamento de imagem dependiam de programadores humanos para fornecer descrições explícitas dos recursos de identificação de um objeto. Ensinar um computador a reconhecer algo simples como um sinal de parada pode envolver linhas de código que descrevem um objeto octogonal vermelho.

Mais complexo, Contudo, está articulando todas as pistas visuais que sinalizam algo, por exemplo, um gato. Orelhas difusas? Dentes afiados? Bigodes? Uma variedade de criaturas têm as mesmas características.

O aprendizado de máquina agora tem uma abordagem completamente diferente.

"É uma verdadeira mudança de pensamento. Você não faz regras - você deixa o computador descobrir quais devem ser as regras, "diz Morgan.

As abordagens de aprendizado de máquina atuais para análise de imagens geralmente usam programas chamados redes neurais que parecem imitar os notáveis ​​poderes de reconhecimento de padrões em camadas do cérebro humano. Para ensinar uma rede neural a reconhecer um gato, por exemplo, os cientistas simplesmente "treinam" o programa, fornecendo uma coleção de imagens rotuladas com precisão de várias raças de gatos. A rede neural assume a partir daí, construir e refinar seu próprio conjunto de diretrizes para os recursos mais importantes.

De forma similar, Morgan e seus colegas ensinaram uma rede neural a reconhecer um tipo muito específico de dano de radiação, chamados loops de deslocamento, que são alguns dos mais comuns, ainda assim, é um desafio identificar e quantificar defeitos - mesmo para um ser humano com décadas de experiência.

Depois de treinar com 270 imagens, a rede neural, combinado com outro algoritmo de aprendizado de máquina chamado detector de objetos em cascata, identificou e classificou corretamente cerca de 86 por cento dos loops de deslocamento em um conjunto de imagens de teste. Para comparação, especialistas humanos encontraram 80% dos defeitos.

“Quando obtivemos o resultado final, todos ficaram surpresos, "diz Field." Não apenas pela precisão da abordagem, mas a velocidade. Agora podemos detectar esses loops como humanos, enquanto o fazemos em uma fração de tempo em um computador doméstico padrão. "

Depois que ele se formou, Li conseguiu um emprego no Google. Mas a pesquisa está em andamento:Atualmente, Morgan e Field estão trabalhando para expandir seu conjunto de dados de treinamento e ensinar uma nova rede neural a reconhecer diferentes tipos de defeitos de radiação. Eventualmente, they envision creating a massive cloud-based resource for materials scientists around the world to upload images for near-instantaneous analysis.

"This is just the beginning, " says Morgan. "Machine learning tools will help create a cyber infrastructure that scientists can utilize in ways we are just beginning to understand."