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

Pour comprendre la vie intérieure de l'acier, les scientifiques doivent regarder au-delà de la surface plane. Les métaux ne sont pas des blocs uniformes ; ce sont des paysages complexes de minuscules cristaux, de grains et de phases qui se forment lors du refroidissement et du durcissement du matériau. Ces structures microscopiques déterminent si une poutre de pont tiendra ou si une pièce de voiture cassera. Pendant des décennies, les chercheurs ont étudié ces matériaux en les découpant en tranches fines et en observant les faces planes sous un microscope. Cette vue en deux dimensions est utile, mais c'est comme essayer de comprendre une forêt en regardant une seule feuille. Pour véritablement saisir comment le matériau se comporte, les scientifiques ont besoin de voir l'architecture tridimensionnelle des grains et la manière dont ils se connectent d'un côté à l'autre.

La création de ces images 3D implique généralement un processus laborieux appelé sectionnement sériel. Un bloc de métal est découpé en centaines de couches fines, et chaque couche est photographiée. Une fois empilées, ces photos forment un modèle 3D numérique. Cependant, il y a un piège. La caméra capture la surface plane de chaque tranche avec une netteté incroyable, mais la distance entre les tranches est souvent bien plus grande que l'épaisseur de la tranche elle-même. Cela crée une image numérique qui est nette de gauche à droite, mais floue et grossière de haut en bas. C'est comme si vous aviez une photo haute définition d'un paysage, mais que la profondeur verticale était étirée et floue, rendant impossible la perception de la façon dont les éléments se connectent réellement dans la troisième dimension.

Une équipe de chercheurs de l'Institut de science des matériaux de Corée et de l'Université de Tokyo a trouvé un moyen de corriger ce flou sans avoir besoin de prendre plus de photos ou de construire de meilleurs microscopes. Ils ont développé une méthode utilisant l'intelligence artificielle pour combler les détails manquants le long de la profondeur de l'image. Au lieu de demander à l'ordinateur de deviner en se basant sur une bibliothèque d'autres images d'acier, ils l'ont instruit en utilisant l'échantillon d'acier lui-même. Le système a appris les motifs de la surface de l'acier et a utilisé cette connaissance pour reconstruire la profondeur floue, transformant un modèle 3D flou et grossier en une vue nette et continue de la véritable structure du métal.

Les chercheurs ont commencé avec un échantillon d'acier à faible teneur en carbone, un matériau courant utilisé dans la construction et la fabrication. Ils ont préparé l'échantillon en le chauffant à 1400 degrés Celsius, puis en le refroidissant à un taux spécifique pour créer un mélange de ferrite, de perlite et de bainite — différents types de structures cristallines qui confèrent sa résistance à l'acier. À l'aide d'un processus automatisé, ils ont découpé l'acier en couches et ont photographié chaque surface avec un microscope optique. Cela a créé une carte 3D parfaite et à haute résolution de l'acier, qui a servi de « vérité » pour leur expérience.

Pour simuler le problème de la profondeur floue, les chercheurs ont pris cette carte 3D parfaite et ont artificiellement supprimé la plupart des couches. Ils n'ont conservé qu'une tranche sur deux, trois ou quatre, laissant de grands écarts dans les données. Cela a créé une version à basse résolution de l'image 3D où la direction verticale était étirée et les détails étaient perdus. Dans cet état, les longues et fines plaques de ferrite et les bandes sombres de perlite apparaissaient comme des amas déconnectés ou étaient totalement estompées, rendant difficile la compréhension de la façon dont la microstructure circule réellement à travers le matériau.

L'équipe s'est ensuite tournée vers un type d'intelligence artificielle connu sous le nom de réseau antagoniste génératif, plus précisément une version raffinée appelée ESRGAN. Ce système fonctionne comme un étudiant et un professeur. Le réseau « étudiant » essaie de deviner à quoi devraient ressembler les couches manquantes, tandis que le réseau « professeur » vérifie si la supposition semble réelle. Pour les entraîner, les chercheurs n'ont pas utilisé une base de données de milliers d'échantillons d'acier différents. Au lieu de cela, ils ont utilisé l'échantillon d'acier unique qu'ils possédaient déjà. Ils ont pris les images nettes et plates de la surface de l'acier et ont créé des paires d'images : une nette et une floue. Le réseau a appris à reconnaître les motifs spécifiques des grains d'acier et leur apparence lorsqu'ils sont clairs par rapport à lorsqu'ils sont flous.

Une fois le réseau entraîné, les chercheurs l'ont appliqué aux images floues et étirées en profondeur. L'objectif était de voir si l'ordinateur pouvait utiliser ce qu'il avait appris des surfaces planes pour reconstruire les détails verticaux manquants. Ils ont comparé les résultats à la carte 3D parfaite originale et à d'autres méthodes, telles que l'interpolation mathématique standard, qui se contente de faire la moyenne des pixels entre les tranches connues.

Les résultats ont montré une différence claire. Les méthodes mathématiques standard produisaient des images plus lisses mais perdaient toujours les détails fins. Les limites entre les différentes phases cristallines restaient floues, et les structures longues et fines de l'acier paraissaient brisées ou déconnectées. Les anciennes versions de l'intelligence artificielle étaient plus performantes, mais introduisaient tout de même des textures peu naturelles. La nouvelle méthode ESRGAN, cependant, a réussi à récupérer les détails fins. Elle a reconstruit les fines plaques de ferrite et les délicates bandes de perlite avec une clarté qui correspondait étroitement à la carte haute résolution originale. Le réseau a été capable de percevoir le flux continu de la microstructure, même dans les zones où les données manquaient.

Les chercheurs ont testé cette méthode à différents niveaux de difficulté. Lorsque les données manquantes étaient modérées, le réseau fonctionnait exceptionnellement bien. Même lorsque les données étaient extrêmement éparses, avec seulement une tranche sur quatre restante, le réseau parvenait toujours à récupérer la forme générale et la connexion des caractéristiques microstructurales, surpassant toutes les autres méthodes. Ils ont mesuré le succès à l'aide d'outils statistiques qui vérifiaient à quel point l'image reconstruite correspondait à l'originale en termes de structure et de précision des pixels. L'intelligence artificielle produisait systématiquement la correspondance la plus proche, préservant la forme réelle des grains et les bonnes proportions des différentes phases.

Cette approche est significative car elle résout un goulot d'étranglement majeur en science des matériaux sans nécessiter de nouveaux équipements coûteux ou de vastes bibliothèques de données d'entraînement. En apprenant à l'ordinateur à comprendre le matériau spécifique qu'il observe, les chercheurs peuvent transformer une image 3D anisotrope de faible qualité en une image de haute qualité isotrope. Cela signifie que les scientifiques peuvent désormais voir la véritable nature tridimensionnelle de l'acier et d'autres métaux avec une précision bien plus grande, permettant une compréhension plus profonde de la façon dont ces matériaux sont construits et de la manière dont ils se comporteront sous la contrainte. L'étude démontre qu'avec le bon entraînement, l'intelligence artificielle peut combler les lacunes de nos observations physiques, révélant l'architecture cachée des matériaux qui maintiennent notre monde ensemble.