KI erschließt volles Potenzial von Elektronenmikroskopen

Mit einer 1000-fach höheren Auflösung als Lichtmikroskope sind Elektronenmikroskope außergewöhnlich gut darin, Materialien abzubilden und ihre Eigenschaften zu detaillieren. Forscher am Argonne National Laboratory des US-Energieministeriums (DOE) demonstrieren, dass fortschrittliche Softwareentwicklungen und ein KI-Framework ihre Leistung noch weiter steigern können.

Neben der Erstellung vergrößerter Bilder erfassen Elektronenmikroskopietechniken auch Informationen über Materialeigenschaften wie Magnetisierung und elektrostatisches Potenzial – die Energie, die nötig ist, um eine Ladung gegen ein elektrisches Feld zu bewegen. Die Information wird in einer Eigenschaft der Elektronenwelle gespeichert, bekannt als Phase. Phase beschreibt den Ort oder das Timing eines Punkts innerhalb eines Wellenzyklus, wie den Punkt, an dem eine Welle ihren Peak 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 Bildakquisitionsprozesses verloren.

Um Wissenschaftlern den Zugriff auf solche Daten zu ermöglichen, schlugen die Argonne-Forscher vor, Tools zu nutzen, die zum Trainieren tiefer neuronaler Netze gebaut wurden – eine Form künstlicher Intelligenz (KI), die das menschliche Gehirn nachahmt und Trainingsalgorithmen erfordert.

Mit Trainingsdaten demonstrierte das Argonne-Forschungsteam einen Weg, Phaseninformationen zurückzugewinnen, sowie essenzielle Informationen über ihr Elektronenmikroskop, einschließlich räumlicher Auflösung, Genauigkeit und Sensitivität der Mikroskopie. Die KI-aktivierte Analyse hochauflösender Bilder – ein Prozess, bekannt als „reverse-mode automatic differentiation“ – bestimmt Atompositionen, um physikalische Eigenschaften der Materialien abzuleiten.

Forscher gewinnen winzige Phasenverschiebungen zurück und erhalten umgekehrt Informationen über kleine Änderungen in Magnetisierung und elektrostatischem Potenzial – alles ohne kostspielige Hardware-Upgrades.

Bericht lesen hier .

Für weitere Informationen kontaktieren Sie Argonne National Laboratory; 630-252-2000.