Ao usar o aprendizado de máquina como uma técnica de processamento de imagem, os cientistas podem acelerar drasticamente o até então laborioso processo manual de procurar e em interfaces quantitativamente, sem ter que sacrificar a precisão.

Em sistemas de baterias a semicondutores, bordas e interfaces desempenham um papel crucial na determinação das propriedades de um material. Os cientistas são levados a estudar lugares em uma amostra onde dois ou mais componentes diferentes se encontram para criar materiais que são mais fortes, mais eficiente em termos de energia ou mais duradouro.

Em um novo estudo do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), pesquisadores colocaram uma nova técnica baseada em aprendizado de máquina para trabalhar descobrindo os segredos de interfaces enterradas e bordas em um material. Ao usar o aprendizado de máquina como uma técnica de processamento de imagem, os cientistas podem acelerar drasticamente o até então laborioso processo manual de olhar quantitativamente para as interfaces sem ter que sacrificar a precisão.

A técnica experimental usada para gerar dados que foram analisados ​​por meio de aprendizado de máquina é chamada de tomografia de sonda atômica, em que os pesquisadores selecionam pequenas agulhas, amostras tridimensionais. Os átomos individuais são então arrancados da amostra. Medições de tempo de voo e espectrometria de massa são então realizadas para identificar onde em um material um átomo particular se originou.

Este processo gera um conjunto de dados muito grande de posições de átomos na amostra. Para analisar este conjunto de dados, os pesquisadores o segmentaram em fatias bidimensionais. Cada fatia foi então representada como uma imagem na qual o algoritmo de aprendizado de máquina poderia determinar as bordas e interfaces.

Ao treinar o algoritmo para reconhecer interfaces, a equipe liderada pelo cientista de materiais de Argonne e autor do estudo, Olle Heinonen, usou uma abordagem não convencional. Em vez de usar imagens de uma biblioteca de materiais que podem ter limites mal definidos, Heinonen e seus colegas começaram com fotos de cães e gatos para ajudar o algoritmo de aprendizado de máquina a aprender sobre as bordas de uma imagem.

"Quando se trata de treinar um algoritmo, essas formas que são simples para nós, mas complexas para um computador, fornecem um campo de testes útil, "Heinonen disse.

Então, Heinonen e seus colegas conseguiram provar a precisão do algoritmo de aprendizado de máquina compilando um conjunto de simulações de dinâmica molecular. Eles costumavam fazer conjuntos de dados sintéticos nos quais a composição da amostra simulada era completamente conhecida. Voltando ao método de aprendizado de máquina, eles foram capazes de extrair perfis de composição e compará-los com a verdade fundamental.

Anteriormente, tentativas de criar esses tipos de perfis de concentração a partir de dados de tomografia de sonda atômica envolveram um trabalho intensivo, processo manual. Ao emparelhar o algoritmo de aprendizado de máquina com o software de análise quantitativa recém-desenvolvido, Heinonen disse que poderia acelerar drasticamente a análise de uma ampla gama de interfaces de materiais.

"Nosso método é escalonável, você pode colocá-lo em computação de alto desempenho e automatizá-lo totalmente, em vez de passar manualmente e observar diferentes concentrações, "ele disse." Aqui você envia seu código e aperta um botão. "

Embora a técnica tenha sido desenvolvida para tomografia de sonda atômica, Heinonen explicou que ele pode ser adaptado para qualquer tipo de tomografia - até mesmo técnicas como a tomografia de raios-X, que não revelam necessariamente as posições atômicas. "Onde quer que você tenha conjuntos de dados 3-D com algumas informações estruturais e interfaces, esta técnica pode ser útil, " ele disse.

A colaboração que gerou o estudo foi notável por incluir especialistas de uma ampla variedade de domínios diferentes, incluindo matemática, inteligência artificial, nanociência, ciência dos materiais e ciência da computação. "Reunimos uma ampla variedade de conhecimentos para resolver um problema desafiador na caracterização de materiais, "Heinonen disse.

"Da perspectiva do aprendizado de máquina, um desafio importante que devemos superar é a escassez de dados, "disse o cientista da computação de Argonne, Prasanna Balaprakash, outro autor do estudo. "Em uma configuração típica de aprendizado de máquina, os dados rotulados necessários para treinamento e aprendizagem são abundantes, mas na tomografia de sonda atômica, tempo e esforço significativos são necessários para conduzir cada experimento e para identificar manualmente as superfícies de isoconcentração como dados rotulados. Isso nos impede de aplicar abordagens de aprendizagem profunda diretamente. "

De acordo com o cientista computacional de Argonne, Sandeep Madireddy, os pesquisadores alavancaram técnicas de aprendizagem por transferência, incluindo o uso de modelos de aprendizado profundo treinados em imagens naturais, para identificar automaticamente as bordas nos dados de tomografia de sonda atômica.

A tomografia por sonda atômica foi realizada no Northwestern University Center for Atom-Probe Tomography.

Um artigo baseado no estudo, "Segmentação de fase em tomografia de sonda atômica usando detecção de borda baseada em aprendizado profundo, "apareceu em 27 de dezembro, 2019, emissão de Relatórios Científicos .