Die Analyse von Materialien kann mit Hilfe bewährter Techniken des maschinellen Lernens, die in biomedizinischen Bereichen etabliert sind, schneller und mit weniger Fachwissen durchgeführt werden.
TSUKUBA, Japan, Nov 17, 2023 - (ACN Newswire) - Forscher von RIKEN an Japans hochmoderner Synchrotronstrahlungsanlage SPring-8 und ihre Mitarbeiter haben eine schnellere und einfachere Methode zur Durchführung von Segmentierungsanalysen, einem wichtigen Prozess in der Materialwissenschaft, entwickelt. Die neue Methode wurde in der Fachzeitschrift Science and Technology of Advanced Materials: Methods veröffentlicht.
 |
| Die Anlage SPring-8 verfügt über einen Speicherring mit einem Umfang von 1,5 km |
Die Segmentierungsanalyse wird verwendet, um die feinskalige Zusammensetzung eines Materials zu verstehen. Es identifiziert unterschiedliche Regionen (oder "Segmente") mit bestimmten Zusammensetzungen, strukturellen Merkmalen oder Eigenschaften. Dies hilft bei der Bewertung der Eignung eines Materials für bestimmte Funktionen sowie seiner möglichen Einschränkungen. Es kann auch zur Qualitätskontrolle bei der Materialherstellung und zur Identifizierung von Schwachstellen bei der Analyse von Materialien verwendet werden, die versagt haben.
Die Segmentierungsanalyse ist sehr wichtig für die Synchrotronstrahlungs-Röntgen-Computertomographie (SR-CT), die der konventionellen medizinischen CT-Untersuchung ähnelt, aber intensiv fokussierte Röntgenstrahlen verwendet, die von Elektronen erzeugt werden, die mit nahezu Lichtgeschwindigkeit in einem Speicherring zirkulieren. Das Team hat gezeigt, dass maschinelles Lernen in der Lage ist, die Segmentierungsanalyse für die Refraktionskontrast-CT durchzuführen, was besonders nützlich ist, um die dreidimensionale Struktur in Proben mit kleinen Dichteunterschieden zwischen den interessierenden Bereichen wie Epoxidharzen zu visualisieren.
"Bisher wurde keine allgemeine Segmentierungsanalysemethode für die Synchrotronstrahlungs-Brechungskontrast-CT beschrieben", sagt Erstautor Satoru Hamamoto. "Die Forscher mussten in der Regel Segmentierungsanalysen durch Versuch und Irrtum durchführen, was es für diejenigen, die keine Experten sind, schwierig gemacht hat."
Die Lösung des Teams bestand darin, Methoden des maschinellen Lernens, die in biomedizinischen Bereichen etabliert sind, in Kombination mit einer Transfer-Learning-Technik zu verwenden, um sich fein an die Segmentierungsanalyse von SR-CTs anzupassen. Aufbauend auf dem bestehenden Machine-Learning-Modell wurde die Menge an Trainingsdaten, die benötigt werden, um Ergebnisse zu erzielen, stark reduziert.
"Wir haben gezeigt, dass eine schnelle und genaue Segmentierungsanalyse mit Methoden des maschinellen Lernens möglich ist, zu einem vernünftigen Rechenaufwand und auf eine Weise, die es Nicht-Experten ermöglichen sollte, ein ähnliches Genauigkeitsniveau wie Experten zu erreichen", sagt Takaki Hatsui, der die Forschungsgruppe leitete.
Die Forscher führten eine Proof-of-Concept-Analyse durch, in der sie erfolgreich Bereiche nachweisen konnten, die durch Wasser in einem Epoxidharz entstanden sind. Ihr Erfolg deutet darauf hin, dass die Technik für die Analyse einer Vielzahl von Materialien nützlich sein wird.
Um diese Analysemethode möglichst breit und schnell verfügbar zu machen, plant das Team, die Segmentierungsanalyse als Service für externe Forscher zu etablieren, die das kürzlich in Betrieb genommene Rechenzentrum SPring-8 anbietet.
Weitere Informationen
Büro für Öffentlichkeitsarbeit, RIKEN
Telefonnummer: 050-3495-0305
E-Mail: ex-press@riken.jp
2-1 Hirosawa, Wako, Saitama, 351-0198, Japan
https://www.riken.jp/en/
Papier: https://doi.org/10.1080/27660400.2023.2270529
Über Wissenschaft und Technologie fortschrittlicher Materialien: Methoden (STAM-M)
STAM Methods ist eine Open-Access-Schwesterzeitschrift von Science and Technology of Advanced Materials (STAM) und konzentriert sich auf neue Methoden und Werkzeuge zur Verbesserung und/oder Beschleunigung von Materialentwicklungen, wie z. B. Methodik, Apparatur, Instrumentierung, Modellierung, High-Through-Put-Datenerfassung, Material-/Prozessinformatik, Datenbanken und Programmierung. https://www.tandfonline.com/STAM-M
Dr. Yasufumi Nakamichi
STAM Verlagsleiter
E-Mail: NAKAMICHI.Yasufumi@nims.go.jp
Pressemitteilung, die von Asia Research News for Science and Technology of Advanced Materials verbreitet wird.
Quelle: Wissenschaft und Technologie fortgeschrittener Werkstoffe
Urheberrecht 2023 ACN Newswire . Alle Rechte vorbehalten.
© 2023 JCN Newswire