机器学习技术改进X射线材料分析

日本同步辐射设施SPring-8的RIKEN研究人员及其合作者开发了一种更快、更简单的方法来进行分段分析，这是材料科学中的一个重要过程。新方法发表在《先进材料科学与技术：方法》杂志上。

分割分析用于了解材料的精细组成。它识别具有特定组成、结构特征或特性的不同区域(或“片段”)。这有助于评估材料对特定功能的适用性及其可能的局限性。它还可用于材料制造中的质量控制以及在分析失败的材料时识别薄弱点。

分割分析对于同步辐射X射线计算机断层扫描(SR-CT)非常重要，它与传统的医学CT扫描类似，但使用存储环中以接近光速循环的电子产生的强聚焦X射线。

该团队已经证明，机器学习能够对折射对比CT进行分割分析，这对于可视化感兴趣区域之间密度差异较小的样品(例如环氧树脂)的三维结构特别有用。

“到目前为止，还没有报道同步辐射折射对比CT的通用分割分析方法，”第一作者SatoruHamamoto说。“研究人员通常必须通过反复试验来进行细分分析，这对于非专家来说很困难。”

该团队的解决方案是利用生物医学领域建立的机器学习方法结合迁移学习技术来精细调整SR-CT的分割分析。基于现有机器学习模型的构建大大减少了获得结果所需的训练数据量。

“我们已经证明，使用机器学习方法可以以合理的计算成本进行快速、准确的分割分析，并且以一种允许非专家达到与专家相似的准确性水平的方式，”领导该项目的TakakiHatsui说。研究小组。

研究人员进行了概念验证分析，成功检测到了环氧树脂中水形成的区域。他们的成功表明该技术可用于分析多种材料。

为了使这种分析方法尽可能广泛和快速地可用，该团队计划将分段分析作为由最近开始运营的SPring-8数据中心向外部研究人员提供的服务。