15:40 2024-03-22
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Noul model AI: un salt pentru știința autonomă a materialelor
_ Noul model AI: un salt pentru știința autonomă a materialelor
Știința materialelor permite tehnologii de ultimă oră, de la mașini ușoare și computere puternice până la baterii de mare capacitate și nave spațiale durabile. Dar pentru a dezvolta materiale pentru aceste aplicații, acestea trebuie să fie analizate cu exactitate prin numeroase lentile microscopice - un proces dificil și consumator de timp.
Un nou model de inteligență artificială (AI) dezvoltat la Pacific Northwest National Laboratory (PNNL). ) poate identifica modele în imaginile cu microscopul electronic ale materialelor fără a necesita intervenția umană, permițând o știință a materialelor mai precisă și mai consecventă. De asemenea, elimină o barieră pentru experimentarea autonomă pe microscoape electronice – o componentă importantă a așa-numitelor „laboratoare cu conducere autonomă”.
„Facem o mulțime de științe diferite a materialelor în laborator, fie că dezvoltăm materiale noi. pentru catalizatori, stocare de energie sau electronică”, a spus Steven Spurgeon, un cercetător senior în materiale la PNNL, care lucrează pentru aplicarea AI în știința materialelor de mulți ani.
„De asemenea, lucrăm mult în înțelegerea modului în care materialele evoluează în diferite medii. Dacă puneți, de exemplu, senzori într-un reactor nuclear sau într-o navă spațială, aceștia vor fi expuși la medii cu radiații mari, ceea ce duce la degradare în timp.”
Înțelegerea că degradarea, la rândul său, îi ajută pe cercetători să proiecteze materiale mai bune.
De obicei, pentru a antrena un model AI pentru a înțelege un fenomen cum ar fi deteriorarea radiațiilor, cercetătorii ar produce cu minuțiozitate un set de date de antrenament etichetat manual, urmărind manual regiunile deteriorate de radiații pe imaginile cu microscopul electronic. Acest set de date etichetat manual va fi apoi folosit pentru a antrena un model AI, care ar identifica caracteristicile comune ale acelor regiuni identificate de oameni și ar căuta să identifice regiuni similare în imagini neetichetate.
Etichetarea manuală a seturilor de date nu este ideal. Este un proces care consumă timp, dar, în plus, oamenii sunt mai predispuși la inconsecvențe și inexactități în etichetarea lor și nu sunt la fel de buni să ia în considerare (și să eticheteze în mod egal) diferite lentile (modalități) ale aceluiași eșantion.
„De obicei, omul face evaluări subiective ale datelor”, a spus Spurgeon. „Și pur și simplu nu putem face asta cu tipurile de hardware pe care le construim acum.”
Folosirea datelor etichetate necesită, de asemenea, un om „în buclă”, întrerupând procesul de experimentare pe măsură ce oamenii interpretează sau etichetează datele dintr-o nouă imagine cu microscopul electronic.
Soluția: un model nesupravegheat care este capabil să analizeze datele fără a implica oameni.
Scoaterea roților de antrenament
< „Ceea ce am vrut să facem este să venim cu o abordare nesupravegheată a clasificării imaginilor cu microscopul electronic”, a spus Arman Ter-Petrosyan, asociat de cercetare la PNNL. „Și dincolo de problema de bază a clasificării, am vrut să găsim modalități de a folosi aceste modele pentru a descrie diferite interfețe de materiale.”Echipa a început cu modelul ResNet50 AI și un set de date preexistent de peste 100.000 neetichetate. imagini de microscopie electronică numite MicroNet. Folosind asta ca bază, ei au învățat modelul să împartă fiecare imagine de microscop electronic într-o grilă de „cipuri” mici, apoi i-au instruit să calculeze asemănările generale dintre cipuri și să le atribuie scoruri de similaritate unul altuia. Grupurile de cipuri care sunt cel mai asemănătoare unele cu altele sunt apoi sortate în „comunități” care reprezintă părți ale imaginii cu caracteristici comparabile.
Rezultatul este o reprezentare abstractă a modelelor din date care pot fi apoi dispersate. înapoi peste imaginile microscopului electronic și regiunile de codificare a culorilor de către comunitățile lor respective - toate fără a fi necesar ca un om să spună modelului ce să caute.
Cercetătorii au aplicat noul model pentru a înțelege daunele cauzate de radiații în materialele care sunt utilizate în medii cu radiații ridicate, cum ar fi reactoarele nucleare. Modelul este capabil să „chipească” cu precizie zonele degradate și să sorteze imaginea în comunități care reprezintă diferite niveluri de deteriorare a radiațiilor.
„Acesta este o modalitate de a prelua datele și de a reprezenta relațiile dintre zonele care nu sunt neapărat unul lângă altul în material", a explicat Ter-Petrosyan.
Frumusețea modelului, au explicat cercetătorii, este că identifică aceste comunități cu o consistență extraordinară, producând regiunile conturate ale datelor etichetate fără oricare dintre abaterile mercuriale ale etichetării umane. Acest lucru este util nu doar pentru evaluarea unei imagini, ci și pentru stabilirea unor metrici obiective pentru a descrie diferite stări ale materialelor.
„Am un material perfect; îl iradiez; începe să se defecteze”, a spus Spurgeon. „Cum descriu acest proces, astfel încât să pot proiecta mai bine acel material pentru o anumită aplicație? Problema noastră este că avem datele – le avem de mult timp – și suntem capabili să le colectăm în mod obișnuit, dar nu îl folosim pentru a scoate acești descriptori.”
În plus, microscoapele electronice captează mai mult decât o singură imagine la un moment dat – de fapt, captează diferite imagini, citiri spectroscopice și modele de difracție. Dar cu etichetarea umană, seturile de date și modelele AI sunt aproape întotdeauna limitate la identificarea modelelor într-un singur tip de date (sau „modalitate”).
Dar acum, cu AI nesupravegheată, ușa este deschisă pentru modelele multimodale. care încorporează simultan mai multe lentile de date. „Cu cât adăugați mai multe tipuri de date, cu atât modelul dvs. devine mai puternic și mai predictiv”, a spus Spurgeon.
Această dezvoltare este un alt pas către experimentarea materială robustă și autonomă pe microscoape electronice la PNNL. Proiectul inovator AutoEM (microscop electronic cu transmisie ghidată de inteligență artificială) al laboratorului a reușit deja să folosească AI pentru a fuziona și identifica caracteristicile din imaginile cu microscopul electronic din mers, permițând cercetătorilor să selecteze puncte de interes care sunt apoi investigate inteligent de AutoEM.
Noul model extinde aceste capabilități, permițând detectarea și clasificarea rapidă a unor regiuni și tendințe similare. „O mare parte din acestea sunt deja implementate pe mai multe microscoape la PNNL”, a spus Spurgeon.
Acum, cercetătorii vor lucra la reglarea modelului pentru a înțelege noi modalități de date, precum și fenomene diferite și mai complexe. De asemenea, lucrează la accelerarea modelului, astfel încât să poată fi utilizat în timp real, pe măsură ce microscoapele electronice produc date.
„În continuare, vrem cu adevărat să demonstrăm cum se poate face acest lucru în mod practic”, Spurgeon a spus. „Nu este doar un model pe care îl rulăm offline, ci este folosit de oameni în momentul experimentelor noastre. Sperăm că acesta stabilește un prototip pentru alți oameni din comunitate.”
Detaliile modelului sunt publicat pe serverul arXiv preprint.
Comentarii:
Adauga Comentariu