Depth-wise super-resolution of a serial-sectioned low-carbon steel microstructure by a generative adversarial network trained on in-plane images

لفهم الحياة الداخلية للصلب، يجب على العلماء النظر إلى ما وراء السطح المسطح. فالمعادن ليست كتلًا متجانسة؛ بل هي تضاريس معقدة من البلورات والحبيبات والأطوار الصغيرة التي تتشكل أثناء تبريد المادة وتصلبها. هذه الهياكل المجهرية هي التي تحدد ما إذا كان جسر سيصمد أو قطعة في سيارة ستنكسر. لعقود من الزمن، درس الباحثون هذه المواد عن طريق تقطيعها إلى شرائح رقيقة والنظر إلى الوجوه المسطحة تحت المجهر. هذه الرؤية ثنائية الأبعاد مفيدة، لكنها تشبه محاولة فهم غابة من خلال النظر إلى ورقة شجر واحدة. ولكي يستوعب العلماء حقًا كيفية سلوك المادة، فإنهم بحاجة إلى رؤية الهندسة المعمارية ثلاثية الأبعاد للحبيبات وكيفية اتصالها من جانب إلى آخر.

عادة ما يتضمن إنشاء هذه الصور ثلاثية الأبعاد عملية مضنية تسمى "التقطيع المتسلسل". حيث يتم تقطيع كتلة من المعدن إلى مئات الطبقات الرقيقة، وتُصور كل طبقة. وعند تجميع هذه الصور معًا، فإنها تشكل نموذجًا رقميًا ثلاثي الأبعاد. ومع ذلك، هناك عقبة؛ فالكاميرا تلتقط السطح المسطح لكل شريحة بحدة فائقة، ولكن المسافة بين الشرائح غالبًا ما تكون أكبر بكثير من سمك الشريحة نفسها. وهذا يخلق صورة رقمية حادة من جانب إلى آخر، ولكنها ضبابية ومكتنزة من الأعلى إلى الأسفل. الأمر يشبه امتلاك صورة عالية الدقة لمنظر طبيعي، لكن العمق الرأسي فيها ممتد وضبابي، مما يجعل من المستحيل رؤية كيفية اتصال المعالم ببعضها حقًا في البعد الثالث.

لقد وجد فريق من الباحثين في معهد كوريا لعلوم المواد وجامعة طوكيو طريقة لإصلاح هذا الضباب دون الحاجة إلى التقاط المزيد من الصور أو بناء مجاهر أفضل. فقد طوروا طريقة تستخدم الذكاء الاصطناعي لملء التفاصيل المفقودة على طول عمق الصورة. وبدلاً من مطالبة الكمبيوتر بالتخمين بناءً على مكتبة من صور الصلب الأخرى، قاموا بتعليمه باستخدام عينة الصلب نفسها. تعلم النظام أنماط سطح الصلب واستخدم تلك المعرفة لإعادة بناء العمق الضبابي، محولًا النموذج ثلاثي الأبعاد الضبابي والمكتنز إلى رؤية حادة ومتصلة للبنية الحقيقية للمعدن.

بدأ الباحثون بعينة من الصلب منخفض الكربون، وهو مادة شائعة تستخدم في البناء والتصنيع. قاموا بتجهيز العينة عن طريق تسخينها إلى 1400 درجة مئوية ثم تبريدها بمعدل محدد لإنشاء مزيج من الفيريت والبيرليت والباينيت — وهي أنواع مختلفة من الهياكل البلورية التي تمنح الصلب قوته. وباستخدام عملية مؤتمتة، قاموا بتقطيع الصلب إلى طبقات وتصوير كل سطح باستخدام مجهر ضوئي. وقد أدى ذلك إلى إنشاء خريطة ثلاثية الأبعاد مثالية وعالية الدقة للصلب، والتي كانت بمثابة "الحقيقة" لتجربتهم.

ولمحاكاة مشكلة العمق الضبابي، أخذ الباحثون هذه الخريطة المثالية ثلاثية الأبعاد وأزالوا معظم الطبقات بشكل اصطناعي. فقد احتفظوا بكل شريحة ثانية أو ثالثة أو رابعة فقط، تاركين فجوات كبيرة في البيانات. أدى ذلك إلى إنشاء نسخة منخفضة الدقة من الصورة ثلاثية الأبعاد حيث كان الاتجاه الرأسي ممتدًا والتفاصيل مفقودة. وفي هذه الحالة، ظهرت الصفائح الرقيقة والطويلة من الفيريت والنطاقات الداكنة من البيرليت ككتل منفصلة أو مشوهة تمامًا، مما جعل من الصعب رؤية كيفية تدفق البنية المجهرية عبر المادة.

لجأ الفريق بعد ذلك إلى نوع من الذكاء الاصطناعي يُعرف باسم "الشبكة التنافسية التوليدية"، وتحديدًا نسخة مطورة منها تسمى ESRGAN. يعمل هذا النظام مثل طالب ومعلم؛ حيث تحاول شبكة "الطالب" تخمين كيف يجب أن تبدو الطبقات المفقودة، بينما تتحقق شبكة "المعلم" مما إذا كان التخمين يبدو حقيقيًا. ولتدريبهما، لم يستخدم الباحثون قاعدة بيانات تضم آلاف العينات المختلفة من الصلب، بل استخدموا عينة الصلب الوحيدة التي كانت لديهم بالفعل. لقد أخذوا الصور الحادة والمسطحة لسطح الصلب وأنشأوا أزواجًا من الصور: واحدة حادة والأخرى ضبابية. وتعلمت الشبكة التعرف على الأنماط المحددة لحبيبات الصلب وكيف تبدو عندما تكون واضحة مقابل كيف تبدو عندما تكون ضبابية.

بمجرد تدريب الشبكة، طبقها الباحثون على الصور الضبابية والممتدة في العمق. كان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر استخدام ما تعلمه من الأسطح المسطحة لإعادة بناء التفاصيل الرأسية المفقودة. وقارنوا النتائج بالخريطة الأصلية المثالية ثلاثية الأبعاد وبالطرق الأخرى، مثل الاستكمال الرياضي القياسي، الذي يقوم ببساطة بمتوسط البكسلات بين الشرائح المعروفة.

أظهرت النتائج فرقًا واضحًا. فقد أنتجت الطرق الرياضية القياسية صورًا أكثر نعومة ولكنها لا تزال تفتقر إلى التفاصيل الدقيقة؛ حيث ظلت الحدود بين الأطوار البلورية المختلفة ضبابية، وبدت الهياكل الطويلة والنحيفة للصلب مكسرة أو منفصلة. أما النسخ القديمة من الذكاء الاصطناعي فقد قدمت أداءً أفضل، لكنها لا تزال تضفي بعض الأنسجة غير الطبيعية. ومع ذلك، نجحت طريقة ESRGAN الجديدة في استعادة التفاصيل الدقيقة؛ فقد أعادت بناء صفائح الفيريت الطويلة والنحيفة ونطاقات البيرليت الرقيقة بوضوح يطابق الخريطة الأصلية عالية الدقة بشكل وثيق. تمكنت الشبكة من رؤية التدفق المستمر للبنية المجهرية، حتى في المناطق التي كانت فيها البيانات مفقودة.

اختبر الباحثون هذه الطاريقة عند مستويات مختلفة من الصعوبة. فعندما كانت البيانات المفقودة متوسطة، كان أداء الشبكة استثنائيًا. وحتى عندما كانت البيانات شحيحة للغاية، مع بقاء شريحة واحدة فقط من كل أربع شرائح، تمكنت الشبكة من استعادة الشكل العام والاتصال للمعالم الهيكلية المجهرية، متفوقة بذلك على جميع الطرق الأخرى. وقد قاسوا النجاح باستخدام أدوات إحصائية تتحقق من مدى تطابق الصورة المعاد بناؤها مع الأصل من حيث البنية ودقة البكسل. وأنتج الذكاء الاصطناعي باستمرار التطابق الأقرب، محافظًا على الشكل الحقيقي للحبيبات والنسب الصحيحة للأطوار المختلفة.

هذا النهج مهم لأنه يحل مشكلة رئيسية في علم المواد دون الحاجة إلى معدات جديدة باهظة الثمن أو مكتبات ضخمة من بيانات التدريب. فمن خلال تعليم الكمبيوتر فهم المادة المحددة التي ينظر إليها، يمكن للباحثين تحويل صورة ثلاثية الأبعاد منخفضة الجودة وغير متجانسة الخواص إلى صورة عالية الجودة ومتجانسة الخواص. وهذا يعني أن العلماء يمكنهم الآن رؤية الطبيعة الحقيقية ثلاثية الأبعاد للصلب والمعادن الأخرى بدقة أكبر بكثير، مما يسمح بفهم أعمق لكيفية بناء هذه المواد وكيف ستعمل تحت الضغط. وتثبت هذه الدراسة أنه مع التدريب المناسب، يمكن للذكاء الاصطناعي سد الفجوات في ملاحظاتنا الفيزيائية، وكشف الهندسة المعمارية المخفية للمواد التي تمسك عالمنا معًا.