Resolution Enhancement of Scanning Electron Micrographs using Artificial Intelligence

Wissenschaftler, die die unsichtbare Welt der Materialien untersuchen, verlassen sich auf ein leistungsstarkes Werkzeug namens Rasterelektronenmikroskop. Dieses Instrument feuert einen Elektronenstrahl auf eine Probe ab, um Details zu enthüllen, die weit kleiner sind als das, was das menschliche Auge sehen kann, und ermöglicht es Forschern zu verstehen, wie Metalle auf mikroskopischer Ebene aufgebaut sind. Das Einfangen dieser unglaublich scharfen Bilder ist jedoch ein langsamer und empfindlicher Prozess. Um die feinsten Details zu sehen, muss das Mikroskop die Oberfläche Punkt für Punkt abtasten – eine Aufgabe, die selbst für einen kleinen Bereich Stunden dauern kann. Während dieses langen Wartens kann die Probe durch den Elektronenstrahl beschädigt werden oder die Maschine selbst kann leicht driften, was das fertige Bild verschwimmen lässt. Für Forscher, die versuchen, seltene Fehler oder spezifische Merkmale zu finden, die in einem großen Stück Metall verborgen sind, schafft diese Langsamkeit einen Engpass: Sie müssen zwischen dem Scannen eines winzigen Bereichs in hoher Detailgenauigkeit oder eines großen Bereichs in geringer Detailgenauigkeit wählen, wobei beides nicht ideal ist, um zu verstehen, wie Materialien versagen.

Ein Team von Forschern der RWTH Aachen Universität in Deutschland hat einen Weg gefunden, diesen Zielkonflikt mithilfe künstlicher Intelligenz zu lösen. Anstatt das Mikroskop zu zwingen, Stunden damit zu verbringen, jedes einzelne Pixel eines hochauflösenden Bildes zu erfassen, haben sie eine Methode entwickelt, um einen schnellen, niedrig auflösenden Scan durchzuführen und anschließend ein Computerprogramm zu nutzen, um die fehlenden Details intelligent aufzufüllen. Der Prozess funktioniert dadurch, dass ein neuronales Netz – ein Typ von Computermodell, das der menschlichen Gehirnstruktur nachempfunden ist – lernt, die Muster spezifischer Metalle zu erkennen. Die Forscher trainierten dieses System mit zwei sehr unterschiedlichen Arten von Stahl: einem Duplex-Stahl (Dual-Phase-Stahl), einer Mischung aus harten und weichen Regionen, die in der Automobilproduktion verwendet wird, und einem Einsatzstahl, der für seine zähe Oberfläche bekannt ist und in Zahnrädern und Maschinen eingesetzt wird. Indem sie dem Computer tausende Paare von Bildern zeigten – eines verschwommen und eines scharf –, lernte das System, wie die feinen Details basierend auf der gröberen Version aussehen sollten.

Die Ergebnisse dieses Ansatzes sind ein bedeutender Sprung in Bezug auf Geschwindigkeit und Klarheit. Als die Forscher ihre Methode testeten, stellten sie fest, dass die künstliche Intelligenz die Auflösung eines Bildes um das Vierfache in sowohl Breite als als auch Höhe steigern konnte. Da die benötigte Zeit zum Scannen eines Bereichs exponentiell mit der Auflösung wächst, bedeutete diese Verbesserung, dass die ursprüngliche Bildgebungszeit um den Faktor sechzehn reduziert wurde. In praktischen Begriffen ausgedrückt: Ein Bereich, der normalerweise neun Stunden lang in High Definition gescannt werden müsste, konnte in nur dreißig Minuten in einer niedrigeren Auflösung erfasst und anschließend vom Computer sofort verbessert werden. Das Team verifizierte, dass die verbesserten Bilder nicht nur schneller zu produzieren waren, sondern auch genauer als herkömmliche Methoden zur Vergrößerung von Bildern, die oft zu verschwommenen, blockigen Bildern führen. Das neue System rekonstruierte erfolgreich scharfe Kanten, Risse und winzige Einschlüsse innerhalb des Stahls und bewahrte dabei die komplexen Texturen, die für das Verständnis der Materialfestigkeit entscheidend sind.

Die Forscher wiesen jedoch vorsichtig darauf hin, dass dies kein Zauberstab ist, der Informationen aus dem Nichts erschafft. Das System arbeitet am besten, wenn es auf das spezifische Material trainiert wurde, das es untersucht. Als sie versuchten, das auf den Duplex-Stahl trainierte Modell direkt auf den Einsatzstahl anzuwenden, waren die Ergebnisse schlecht; sie wirkten zu hell und falsch ausgerichtet. Erst nachdem sie eine kurze Zeit damit verbracht hatten, das System mit einem kleinen Satz an Bildern des neuen Stah{-}ltyps neu zu trainieren, wurden die Ergebnisse scharf und zuverlässig. Dies deutet darauf hin, dass die Technologie zwar leistungsstark ist, aber eine kurze Anpassungsphase für jedes neue Material benötigt. Darüber hinaus demonstrierte das Team, dass diese Methode besonders nützlich ist, um seltene Ereignisse zu finden, wie etwa die winzigen Risse, die zum Versagen von Metall führen. Indem sie einen großen Bereich schnell scannen, um diese seltenen Stellen zu finden, und dann nur an diesen spezifischen Punkten für eine abschließende hochauflösende Überprüfung hineinzoomen, können Wissenschaftler Stunden an Zeit sparen, ohne die kritischen Daten zu verlieren, die sie benötigen.

Die Studie bestätigt, dass die Kombination aus schnellem, niedrig auflösendem Scannen und intelligenter Bildverbesserung ein gangbarer Weg für die Zukunft der Materialwissenschaft ist. Sie ermöglicht es Forschern, größere Bereiche einer Probe zu beobachten und Schäden im Laufe der Zeit zu verfolgen, ohne das Risiko einzugehen, die Probe durch eine zu lange Exposition gegenüber dem Elektronenstrahl zu degradieren. Obwohl die computergenerierten Bilder keine perfekten Kopien der ursprünglichen hochauflösenden Scans sind, sind sie scharf genug, um Schlüsselmerkmale zu identifizieren, und weit überlegen gegenüber den Standard-Mathematik-Tricks, die zur Vergrößerung von Fotos verwendet werden. Dieser Ansatz öffnet die Tür zur Untersuchung komplexerer Materialkonfigurationen und zur Beobachtung weiterer Schritte in Echtzeit-Experimenten, was Wissenschaftlern effektiv ein schnelleres, klareres Fenster in die mikroskopische Welt eröffnet, die die Festigkeit der Materialien bestimmt, die wir jeden Tag verwenden.