Label Efficient Segmentation of SiC–C–Si Phases in SiC-based Ceramics from Optical Micrographs Using a Compact U-Net

Siliziumkarbid ist ein Material, das für Ausdauer gebaut wurde. Es ist eine Keramik, die so hart ist, dass sie durch Stahl schneiden kann, und dennoch leicht genug, um in der Luft- und Raumfahrt eingesetzt zu werden, und sie kann Temperaturen standhalten, die die meisten Metalle schmelzen würden. Aufgrund dieser Eigenschaften verwenden Ingenieure es zur Herstellung von Teilen für Motoren, Bremsen und Hochtemperaturöfen. Das Material ist jedoch keine einzelne, einheitliche Substanz. In einem Block aus Siliziumkarbidkeramik befindet sich eine komple neben drei unterschiedlichen Komponenten: den primären Siliziumkarbidkristallen, freiem überschüssigem Silizium und Taschen aus Kohlenstoff. Die Leistungsfähigkeit des fertigen Bauteils hängt vollständig davon ab, wie diese drei Zutaten angeordnet sind und wie viel von jeder vorhanden ist. Wenn der Siliziumgehalt zu hoch ist, kann das Bauteil spröde werden; wenn der Kohlenstoff ungleichmäßig verteilt ist, kann es unter Belastung versagen. Um bessere Materialien herzustellen, müssen Wissenschaftler genau wissen, was sich im Inneren befindet, aber es ist überraschend schwierig, diese winzigen, vermischten Phasen unter einem Mikroskop zu sehen.

Jahrzehntelang haben Forscher versucht, diese unsichtbaren Zutaten zu zählen, indem sie reflektierendes Licht auf den Oberflächen des Materials fotografierten. Die Herausforderung besteht darin, dass die drei Komponenten dem menschlichen Auge und Standard-Computerprogrammen sehr ähnlich sehen. Sie sind alle Grautöne, und die Beleuchtung kann von einem Foto zum nächsten variieren, was es schwierig macht, festzustellen, wo eine Phase endet und eine andere beginnt. Traditionelle Methoden verlassen sich oft auf einfache Regeln, wie etwa „alles, was dunkler als dieser Grauwert ist, ist Kohlenstoff“, aber diese Regeln versagen, wenn der Kontrast gering ist oder wenn die verschiedenen Materialien in dünnen, komplizierten Fäden miteinander verwoben sind. Wenn diese alten Methoden versagen, müssen Wissenschaftler jedes einzelne Korn mühsam von Hand nachzeichnen, ein Prozess, der langsam, mühsam und anfällig für menschliche Fehler ist. Dieser Engpass hat die Entwicklung besserer Keramiken gebremst und dazu geführt, dass Ingenieure über die genaue Zusammensetzung ihrer Materialien rätseln mussten.

Ein Team von Forschern des Osipjan-Instituts für Festkörperphysik und der Staatlichen Universität Irkutsk hat einen neuen Weg entwickelt, um dieses Problem zu lösen. Anstatt sich auf starre Regeln zu verlassen oder Stunden damit zu verbringen, Linien von Hand zu zeichnen, haben sie ein intelligentes Computersystem geschaffen, das lernt, die drei Phasen von selbst zu erkennen. Der Schlüssel zu ihrem Erfolg war eine Technik namens „schwache Überwachung“ (weak supervision). Normalerweise erfordert das Training eines Computers, um diese Details zu erkennen, dass ein Mensch tausende Bilder mühsam beschriftet und jeden einzelnen Pixel als Silizium, Kohlenstoff oder Keramik markiert. Die Forscher erkannten, dass sie diesen erschöpfenden Schritt überspringen konnten. Sie verwendeten zuerst eine mathematische Methode, um die Farben in den Fotos in drei grobe Kategorien zu gruppieren. Diese Gruppen waren nicht perfekt, aber sie waren gut genug, um als Ausgangspunkt zu dienen. Dann nutzten sie diese groben Entwürfe, um ein kompaktes neuronales Netzwerk – eine Art künstliche Intelligenz, die dem menschlichen Gehirn nachempfunden ist – darauf zu trainieren, die Phasen präzise zu unterscheiden.

Das von ihnen entwickelte System basiert auf einem Design, das als U-Net bekannt ist und die Form des Buchstabens U hat. Es arbeitet, indem es zuerst das gesamte Bild betrachtet, um den allgemeinen Kontext zu verstehen, dann heranzoomt, um die feinen Details zu sehen, und schließlich diese Ansichten kombiniert, um eine präzise Karte des Materialinneren zu zeichnen. Die Forscher trainierten dieses System an hunderten von Mikrographien von Siliziumkarbidkeramiken, die durch einen Prozess namens Flüssigsiliziuminfiltration hergestellt wurden. Bei diesem Prozess wird geschmolzenes Silizium in einen porösen Kohlenstoffblock gegossen, wobei es mit dem Kohlenstoff reagiert, um Siliziumkarbid zu bilden, während etwas Silizium und Kohlenstoff zurückbleiben. Das Team testete sein neues System sowohl gegen die alten regelbasierten Methoden als auch gegen das langsame manuelle Nachzeichnen durch menschliche Experten. Sie fanden heraus, dass die alten regelbasierten Methoden oft völlig zusammenbrachen, wenn der Kontrast gering war, wodurch sie das Silizium nicht vom Keramik trennen konnten und völlig ungenaue Zählungen lieferten. Das neue KI-System behielt jedoch selbst in den schwierigsten, kontrastarmen Bildern ein hohes Maß an Genauigkeit bei.

Obwohl das neue System nicht immer eine etwas perfektere Pixel-für-Pixel-Karte erzeugte als ein hochqualifizierter Mensch mit einer traditionellen Watershed-Methode, bot es einen massiven Vorteil in Geschwindigkeit und Konsistenz. Die traditionelle Methode, die erfordert, dass ein Mensch Einstellungen anpasst und den Computer führt, kann zehn Minuten oder sogar eine Stunde benötigen, um ein einzelnes Bild zu verarbeiten. Im Gegensatz dazu kann das neue KI-System eine vollständige, hochauflösende Mikrographie in weniger als einer Sekunde auf einer Standard-Grafikkarte oder in nur wenigen Sekunden auf einem normalen Computerprozessor analysieren. Wichtiger noch ist, dass das System reproduzierbar ist. Wenn man dasselbe Bild zehnmal durch das System laufen lässt, erhält man jedes Mal das gleiche Ergebnis, während ein Mensch aufgrund von Müdigkeit oder Ablenkung jedes Mal etwas andere Linien zeichnen könnte. Die Forscher fanden heraus, dass das System das Volumen an Silizium im Material mit einem Fehler von weniger als zwei Prozent für die meisten Proben schätzen konnte, ein Präzisionsniveau, das für die routinemäßige industrielle Qualitätskontrolle ausreichend ist.

Die Studie zeigte auch auf, warum einige Bilder schwieriger zu analysieren sind als andere. Die Forscher entwickelten eine Methode, um die „Schwierigkeit“ einer Mikrographie zu messen, indem sie untersuchten, wie dünn die Verbindungen zwischen den Phasen sind und wie stark die Farben überlappen. Sie fanden heraus, dass einfache Schwellenwertverfahren versagen, wenn das Silizium sehr dünne Brücken bildet, die größere Pools verbinden, oder wenn die Farben des Siliziums und der Keramik nahezu identisch sind. Das neue KI-System war jedoch in der Lage, diese kniffligen Bereiche zu bewältigen, indem es aus dem Kontext des umgebenden Bildes lernte und somit das Gesamtbild sah, anstatt nur isolierte Pixel zu betrachten. Diese Fähigkeit, komplexe, unordentliche Mikrostrukturen zu handhaben, bedeutet, dass Wissenschaftler nun neue Keramikrezepte schnell screenen können, indem sie testen, wie verschiedene Herstellungsbedingungen das Endmaterial beeinflussen, ohne durch manuelle Analysen aufgehalten zu werden.

Diese Arbeit stellt einen bedeutenden Fortschritt dar, um fortschrittliche Keramiken zugänglicher und zuverlässiger zu machen. Durch die Automatisierung der Zählung mikroskopischer Zutaten haben die Forscher eine große Barriere beseitigt, die der Optimierung dieser Materialien im Wege stand. Das System ist keine magische Lösung, die in jedem einzelnen Fall perfekt funktioniert; die Forscher merkten an, dass die Fehlerrate bei den sehr groben Strukturen mit den größten Merkmalen etwas höher war als bei traditionellen Methoden. Der Kompromiss ist jedoch überwältigend positiv, da er eine schnelle, automatische und konsistente Möglichkeit bietet, das innere Leben von Siliziumkarbidkeramiken zu verstehen. Während das Team in die Zukunft blickt, plant es, das System weiter zu verfeinern und auf noch komplexere Materialien anzuwenden, was potenziell dazu beitragen kann, die nächste Generation hitzebeständiger Komponenten für Industrie und Weltraum zu entwerfen. Die Fähigkeit, klar in die mikroskopische Welt der Keramiken zu blicken, ist nicht länger ein langsamer, manueller Kampf, sondern ein schneller, automatisierter Prozess, der mit den Anforderungen der modernen Technik Schritt halten kann.