El aprendizaje profundo frugal de los datos optimiza la obtención de imágenes de microestructuras
enero 7, 2022El aprendizaje profundo a menudo se reconoce como la magia detrás de los autos autónomos y el reconocimiento facial, pero ¿qué pasa con su capacidad para salvaguardar la calidad de los materiales que componen estos dispositivos avanzados? Elizabeth Holm, profesora de ingeniería y ciencia de los materiales de la Universidad Carnegie Mellon, y el estudiante de doctorado en ingeniería y ciencia de los materiales, Bo Lei, han adoptado métodos de visión artificial para la obtención de imágenes microestructurales que no solo requieren una fracción de los datos en los que normalmente se basa. Aprendizaje profundo, sino que pueden ahorrar a los investigadores de materiales mucho tiempo y dinero.
El control de calidad en el procesamiento de materiales requiere el análisis y clasificación de microestructuras de materiales complejas. Por ejemplo, las propiedades de algunos aceros de alta resistencia dependen de la cantidad de bainita en el material. Sin embargo, el proceso de identificación de la bainita en imágenes microestructurales requiere tiempo y dinero, ya que los investigadores deben usar primero dos tipos de microscopía para observar más de cerca y luego confiar en su propia experiencia para identificar las regiones bainíticas.
«No es como identificar a una persona que cruza la calle mientras conduce», explicó Holm. «Es muy difícil para los humanos clasificar, por lo que nos beneficiaremos enormemente de la integración de un enfoque de aprendizaje profundo».
Su enfoque es muy similar al de la comunidad más grande de visión por computadora que impulsa el reconocimiento facial. El modelo se entrena sobre las imágenes de microestructura del material existente para evaluar nuevas imágenes e interpretar su clasificación. Mientras que empresas como Facebook y Google entrenan sus modelos en millones o miles de millones de imágenes, los científicos de materiales rara vez tienen acceso incluso a 10,000 imágenes. Por lo tanto, era imperativo que Holm y Lei usaran un «método de datos frugal» y entrenaran su modelo usando solo 30-50 imágenes de microscopio.
«Es como aprender a leer», explicó Holm. “Una vez que haya aprendido el alfabeto, puede aplicar ese conocimiento a cualquier libro. Podemos ser frugales con los datos en parte porque estos sistemas ya han sido entrenados en una gran base de datos de imágenes naturales «.
En colaboración con institutos alemanes, Holm y Lei probaron diferentes enfoques de aprendizaje profundo de segmentación laith-bainite en acero de fase compleja. Alcanzaron un 90% de precisión, rivalizando con la segmentación de expertos. Como parte de esta colaboración, Holm recibió una subvención de la Fundación de Investigación Alemana (DGM) que apoya a sus colaboradores alemanes que visitan Pittsburgh a principios de 2022 para trabajar junto a su equipo.
Además, el equipo se centra en desarrollar un método de aprendizaje profundo aún más frugal que requeriría solo una imagen para lograr los mismos resultados. Además del acero, ha trabajado con una variedad de grupos experimentales que estudian la caracterización del aprendizaje profundo en una variedad de materiales.
«Con resultados tan prometedores, esperamos poder presentar este método a una comunidad más amplia en ciencia de materiales y caracterización de microestructuras», dijo Holmes.
Esta investigación se publicó en Nature Communications y se llevó a cabo en colaboración con el Instituto Fraunhofer de Mecánica de Materiales, el Instituto de Tecnología de Karlsruhe, la Universidad de Friburgo, la Universidad de Saarland y el Centro de Ingeniería de Materiales de Saarland.
