编辑 | 白菜叶
微观结构分割是一种从显微图像中提取结构统计数据的技术,是在广泛的材料研究领域建立定量结构-性能关系的重要步骤。然而,由于结构成分的形态复杂性和多样性,该任务具有挑战性。虽然深度学习最近的突破在微观结构分割方面取得了重大进展,但其进一步传播仍然存在两个基本挑战:高昂的注释成本和不可靠的决策过程。
为了应对这些挑战,韩国浦项科技大学(Pohang University of Science and Technology)的研究人员提出了一种用于统一微结构分割的人机循环机器学习框架,该框架利用了弱监督学习和主动学习技术的最新进展。该方法背后的关键思想在于人类和机器能力的集成,以最小的注释成本实现精确且可靠的微观结构分割。
该研究以「A unified microstructure segmentation approach via human-in-the-loop machine learning」为题,于 2023 年 8 月 15 日发布在《Acta Materialia》。
显微成像系统在从纳米尺度到介观尺度的多个层面上可视化材料结构信息。微观结构的定量分析是从显微图像中提取结构统计数据的过程。然而,由于微观结构的复杂性和多样性,人类或人工智能单独执行此操作存在许多限制。
通过有效整合人类和人工智能的能力,浦项科技大学 Seungchul Lee 教授领导的研究团队与材料数字平台部材料数据管理中心的 Se-Jong Kim 博士和 Juwon Na 博士领导的研究团队合作开发了定量微观结构分析的集成框架。该技术使人工智能能够仅使用单个微观结构图像及其相应的领域专家的涂鸦注释来执行微观结构分割。此外,人工智能通过主动请求专家进行涂鸦注释来与人类互动,以进一步提高模型的性能和可靠性。
通过大量的实验,研究团队证实人机协作的框架是通用的,可以应用于广泛的材料、微结构和显微成像系统。
虽然之前的研究需要收集大量的密集注释,但该研究通过用笔或鼠标可以轻松绘制的涂鸦注释代替密集注释,大大降低了注释成本。该技术将被纳入 KIMS 正在开发的自动微观结构定量分析系统(TIM)中。这使一般研究人员易于使用。
KIMS 高级研究员 Juwon Na 博士表示:「这项研究是将现有的主观且耗时的微观结构定量分析改进为客观和自动化过程的结果。」
浦项科技大学教授 Seungchul Lee 补充道:「我们与专家互动的框架预计将作为核心分析技术广泛应用于工业和研究领域,通过这一点,我们期望大幅降低新材料研发的成本和时间,并进一步显着提高可靠性。」
论文链接:https://doi.org/10.1016/j.actamat.2023.119086
相关报道:https://phys.org/news/2023-09-easier-faster-materials-microstructure-analysis.html