Resolution Enhancement of Scanning Electron Micrographs using Artificial Intelligence

Gli scienziati che studiano il mondo invisibile dei materiali si affidano a uno strumento potente chiamato microscopio elettronico a scansione. Questo strumento spara un fascio di elettroni su un campione per rivelare dettagli molto più piccoli di ciò che l'occhio umano può vedere, permettendo ai ricercatori di comprendere come i metalli siano costruiti a livello microscopico. Tuttavia, catturare queste immagini incredibilmente nitide è un processo lento e delicato. Per vedere i dettagli più fini, il microscopio deve scansionare la superficie punto per punto, un compito che può richiedere ore anche per un'area piccola. Durante questa lunga attesa, il campione può essere danneggiato dal fascio di elettroni, o la macchina stessa potrebbe subire un leggero spostamento, sfuocando l'immagine finale. Per i ricercatori che cercano di trovare difetti rari o caratteristiche specifiche nascoste all'interno di un grande pezzo di metallo, questa lentezza crea un collo di bottiglia: devono scegliere tra scansionare un'area minuscola con alto dettaglio o un'area grande con basso dettaglio, nessuna delle due opzioni ideale per comprendere come i materiali si degradano.

Un team di ricercatori presso l'Università RWTH di Aquisgrana, in Germania, ha trovato un modo per rompere questo compromesso utilizzando l'intelligenza artificiale. Invece di costringere il microscopio a passare ore a catturare ogni singolo pixel di un'immagine ad alta risoluzione, hanno sviluppato un metodo per effettuare una scansione rapida a bassa risoluzione e poi utilizzare un programma per computer per riempire intelligentemente i dettagli mancanti. Il processo funziona insegnando a una rete neurale, un tipo di modello informatico ispirato al cervello umano, a riconoscere i pattern di metalli specifici. I ricercatori hanno addestrato questo sistema utilizzando due tipi di acciaio molto diversi: un acciaio a doppia fase, che è un mix di regioni dure e morbide utilizzato nella produzione automobilistica, e un acciaio cementato, noto per la sua superficie resistente e utilizzato per ingranaggi e macchinari. Mostrando al computer migliaia di coppie di immagini — una sfocata e una nitida — il sistema ha imparato come prevedere l'aspetto dei dettagli fini basandosi sulla versione più grossolana.

I risultati di questo approccio rappresentano un salto significativo in termini di velocità e chiarezza. Quando i ricercatori hanno testato il loro metodo, hanno scoperto che l'intelligenza artificiale poteva aumentare la risoluzione di un'immagine di quattro volte sia in larghezza che in altezza. Poiché il tempo richiesto per scansionare un'area cresce esponenzialmente con la risoluzione, questo miglioramento ha significato che il tempo di imaging iniziale è stato ridotto di un fattore sedici. In termini pratici, un'area che normalmente richiederebbe nove ore per essere scansionata in alta definizione potrebbe essere catturata in soli trenta minuti a una risoluzione inferiore e poi istantaneamente potenziata dal computer. Il team ha verificato che le immagini migliorate non erano solo più veloci da produrre ma anche più accurate rispetto ai metodi tradizionali utilizzati per ingrandire le immagini, che spesso producono immagini sfocate e a blocchi. Il nuovo sistema ha ricostruito con successo bordi nitidi, crepe e piccole inclusioni all'interno dell'acciaio, preservando le texture complesse che sono critiche per comprendere la resistenza del materiale.

Tuttavia, i ricercatori sono stati attenti a sottolineare che questo non è un bacchetta magica che crea informazioni dal nulla. Il sistema funziona meglio quando è stato addestrato sul materiale specifico che sta esaminando. Quando hanno provato ad applicare direttamente il modello addestrato sull'acciaio a doppia fase all'acciaio cementato, i risultati sono stati scarsi, apparendo troppo luminosi e disallineati. È stato solo dopo aver trascorso un breve periodo a riaddestrare il sistema con un piccolo set di immagini del nuovo tipo di acciaio che i risultati sono diventati nitidi e affidabili. Ciò suggerisce che, sebbene la tecnologia sia potente, richiede un breve periodo di adattamento per ogni nuovo materiale. Inoltre, il team ha dimostrato che questo metodo è particolarmente utile per trovare eventi rari, come le minuscole crepe che portano al cedimento del metallo. Scansionando rapidamente un'area ampia per trovare questi punti rari e poi ingrandendo solo quei punti specifici per un controllo finale ad alta risoluzione, gli scienziati possono risparmiare ore di tempo senza perdere i dati critici di cui hanno bisogno.

Lo studio conferma che combinare la scansione rapida a bassa risoluzione con l'intelligenza di un potenziamento dell'immagine è una via percorribile per il futuro della scienza dei materiali. Permette ai ricercatori di osservare aree più ampie di un campione e di monitorare i danni nel tempo senza il rischio di degradare il campione attraverso una prolungata esposizione al fascio di elettroni. Sebbene le immagini generate dal computer non siano copie perfette delle scansioni originali ad alta risoluzione, sono abbastanza nitide da identificare le caratteristiche chiave e sono decisamente superiori ai normali trucchi matematici usati per ingrandire le foto. Questo approccio apre la porta allo studio di configurazioni di materiali più complessi e all'osservazione di più fasi in esperimenti in tempo reale, offrendo efficacemente agli scienziati una finestra più veloce e chiara sul mondo microscopico che governa la resistenza dei materiali che utilizziamo ogni giorno.