p A inteligência artificial agora é tão inteligente que os cérebros de silício freqüentemente superam as pessoas. p Os computadores operam carros autônomos, escolher rostos de amigos em fotos do Facebook, e estão aprendendo a aceitar empregos normalmente confiados apenas a especialistas humanos.

p Pesquisadores da University of Wisconsin-Madison e do Oak Ridge National Laboratory treinaram computadores para detectar e analisar de forma rápida e consistente os danos da radiação microscópica aos materiais considerados para reatores nucleares. E os computadores superaram os humanos nessa árdua tarefa.

p "O aprendizado de máquina tem um grande potencial para transformar o atual, abordagem de análise de imagem em microscopia com envolvimento humano, "diz Wei Li, que obteve seu diploma de mestre em ciência e engenharia de materiais este ano na UW-Madison.

p Muitos problemas na ciência dos materiais são baseados em imagens, ainda assim, poucos pesquisadores têm experiência em visão de máquina - tornando o reconhecimento e a análise de imagens um grande gargalo de pesquisa. 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.

p Li, com o cientista da equipe de Oak Ridge, Kevin Field, e o professor de engenharia e ciência de materiais da UW-Madison, Dane Morgan, usou o aprendizado de máquina para tornar a inteligência artificial melhor do que humanos experientes na análise de danos a materiais de reatores nucleares em potencial. Os colaboradores descreveram sua abordagem em artigo publicado em 18 de julho na revista. npj materiais computacionais .

p 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.

p "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 Morgan, quem era o conselheiro da escola de pós-graduação de Li.

p 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 parecer com uma superfície lunar com crateras ou uma tela pintada com respingos.

p Aquele trabalho, absolutamente crítico para o desenvolvimento de materiais nucleares seguros, poderia tornar um processo demorado muito mais eficiente e eficaz.

p "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. "

p 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.

p 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.

p O aprendizado de máquina agora tem uma abordagem completamente diferente.

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

p 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, os cientistas simplesmente "treinam" o programa, fornecendo uma coleção de fotos 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.

p 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 desafiador, defeitos para identificar e quantificar até mesmo para um ser humano com décadas de experiência.

p 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% dos loops de deslocamento em um conjunto de imagens de teste. Para comparação, especialistas humanos encontraram 80% dos defeitos.

p “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, fazendo isso em uma fração do tempo em um computador doméstico padrão. "

p Depois que ele se formou, Li conseguiu um emprego no Google, mas a pesquisa está em andamento. 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, eles imaginam a criação de um enorme recurso baseado em nuvem para cientistas de materiais em todo o mundo fazerem upload de imagens para análise quase instantânea.

p "Isto é apenas o começo, "diz Morgan." As ferramentas de aprendizado de máquina ajudarão a criar uma infraestrutura cibernética que os cientistas possam utilizar de maneiras que estamos apenas começando a entender. "