Künstliche Intelligenz vergrößert den Nutzen von Elektronenmikroskopen

Mit einer 1000-mal höheren Auflösung als ein Lichtmikroskop sind Elektronenmikroskope außergewöhnlich gut darin, Materialien abzubilden und ihre Eigenschaften detailliert darzustellen. Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) demonstrieren, dass fortschrittliche Softwareentwicklungen und ein Framework für künstliche Intelligenz (KI) ihre Leistung noch weiter steigern können.

Neben der Erstellung vergrößerter Bilder erfassen Elektronenmikroskopietechniken auch Informationen über Materialeigenschaften wie Magnetisierung und elektrostatisches Potential, d. h. die Energie, die erforderlich ist, um eine Ladung gegen ein elektrisches Feld zu bewegen. Die Information wird in einer Eigenschaft der Elektronenwelle gespeichert, die als Phase bekannt ist. Phase beschreibt die Position oder das Timing eines Punkts innerhalb eines Wellenzyklus, z. B. den Punkt, an dem eine Welle ihren Höhepunkt erreicht.

Das Abrufen von Phasendaten ist jedoch ein jahrzehntealtes Problem für Wissenschaftler. Informationen wie Magnetisierung und elektrische Potentiale werden von der Phase der Elektronenwelle getragen und gehen während des Bildaufnahmeprozesses verloren.

Um Wissenschaftlern den Zugriff auf solche Daten zu ermöglichen, schlugen die Argonne-Forscher vor, Tools zu nutzen, die entwickelt wurden, um tiefe neuronale Netze zu trainieren, eine Form der künstlichen Intelligenz (KI), die das menschliche Gehirn nachahmt und Trainingsalgorithmen erfordert.

Mit Trainingsdaten demonstrierte das Argonne-Forschungsteam eine Möglichkeit, Phaseninformationen sowie wesentliche Informationen über ihr Elektronenmikroskop wie räumliche Auflösung, Genauigkeit und Empfindlichkeit der Mikroskopie wiederherzustellen. Die KI-gestützte Analyse hochauflösender Bilder – ein Prozess, der als „automatische Differenzierung im umgekehrten Modus“ bekannt ist – bestimmt Atompositionen, um auf physikalische Eigenschaften der Materialien zu schließen.

Forscher stellen winzige Phasenverschiebungen wieder her und erhalten wiederum Informationen über kleine Änderungen der Magnetisierung und des elektrostatischen Potentials, ohne dass kostspielige Hardware-Upgrades erforderlich sind.

Bericht lesen .

Weitere Informationen erhalten Sie vom Argonne National Laboratory; 630-252-2000 .