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

Il carburo di silicio è un materiale costruito per la resistenza. È una ceramica così dura da poter tagliare l'acciaio, eppure abbastanza leggera da essere utilizzata nell'aerospazio, e può resistere a temperature che fonderebbero la maggior parte dei metalli. Per via di queste qualità, gli ingegneri lo utilizzano per realizzare componenti per motori, freni e forni ad alta temperatura. Tuttavia, il materiale non è una sostanza singola e uniforme. All'interno di un blocco di ceramica di carburo di silicio, esiste una miscela complessa di tre componenti distinti: i cristalli principali di carburo di silicio, silicio libero residuo e sacche di carbonio. Le prestazioni del componente finale dipendono interamente da come questi tre ingredienti sono disposti e da quanto di ciascuno è presente. Se il contenuto di silicio è troppo elevato, il componente potrebbe diventare fragile; se il carbonio è distribuito in modo non uniforme, potrebbe cedere sotto sforzo. Per creare materiali migliori, gli scienziati devono sapere esattamente cosa c'è all'interno, ma vedere queste fasi minuscole e mescolate sotto un microscopio è sorprendentemente difficile.

Per decenni, i ricercatori hanno cercato di contare questi ingredienti invisibili osservando fotografie della superficie del materiale a luce riflessa. La sfida è che i tre componenti appaiono molto simili all'occhio umano e ai programmi informatici standard. Sono tutti sfumature di grigio e l'illuminazione può variare da una foto all'altra, rendendo difficile capire dove finisce una fase e inizia l'altra. I metodi tradizionali si affidano spesso a regole semplici, come "tutto ciò che è più scuro di questa tonalità è carbonio", ma queste regole falliscono quando il contrasto è basso o quando i diversi materiali sono intrecciati in filamenti sottili e intricati. Quando questi vecchi metodi falliscono, gli scienziati devono tracciare manualmente ogni singolo grano, un processo lento, tedioso e soggetto all'errore umano. Questo collo di bottiglia ha rallentato lo sviluppo di ceramiche migliori, lasciando gli ingegneri a indovinare la composizione esatta dei loro materiali.

Un team di ricercatori dell'Istituto di Fisica dello Stato Solido Osipyan e dell'Università Statale di Irkutsk ha sviluppato un nuovo modo per risolvere questo problema. Invece di affidarsi a regole rigide o di passare ore a disegnare linee a mano, hanno creato un sistema informatico intelligente che impara a riconoscere le tre fasi da solo. La chiave del loro successo è stata una tecnica chiamata "supervisione debole". Normalmente, addestrare un computer a vedere questi dettagli richiede che un essere umano etichetti meticolosamente migliaia di immagini, marcando ogni singolo pixel come silicio, carbonio o ceramica. I ricercatori si sono resi conto di poter saltare questo passaggio estenuante. Hanno utilizzato prima un metodo matematico per raggruppare i colori nelle foto in tre categorie grossolane. Questi gruppi non erano perfetti, ma erano sufficientemente buoni per servire da punto di partenza. Hanno poi utilizzato queste bozze grossolane per insegnare a una rete neurale compatta, un tipo di intelligenza artificiale ispirata al cervello umano, come distinguere accuratamente le fasi.

Il sistema che hanno costruito si basa su un design noto come U-Net, che ha la forma di una lettera U. Funziona guardando prima l'intera immagine per comprendere il contesto generale, poi ingrandendo per vedere i dettagli fini e, infine, combinando queste viste per disegnare una mappa precisa dell'interno del materiale. I ricercatori hanno addestrato questo sistema su centinaia di micrografie di ceramiche di carburo di silicio prodotte attraverso un processo chiamato infiltrazione di silicio liquido. In questo processo, il silicio fuso viene versato in un blocco di carbonio poroso, reagendo per formare carburo di silicio e lasciando dietro di sé del silicio e del carbonio. Il team ha testato il loro nuovo sistema sia contro i vecchi metodi basati su regole, sia contro la lenta tracciatura manuale fatta da esperti umani. Hanno scoperto che i vecchi metodi basati su regole spesso crollavano completamente quando il contrasto era basso, fallendo nel separare il silicio dalla ceramica e producendo conteggi ampiamente inaccurati. Il nuovo sistema di IA, tuttavia, manteneva un alto livello di accuratezza anche nelle immagini più difficili e a basso contrasto.

Sebbene il nuovo sistema non producesse sempre una mappa dei pixel leggermente più perfetta di quella di un essere umano altamente esperto che utilizza un metodo watershed tradizionale, offriva un enorme vantaggio in termini di velocità e coerenza. Il metodo tradizionale, che richiede a un essere umano di regolare le impostazioni e guidare il computer, può richiedere decine di minuti o anche un'ora per elaborare una singola immagine. Al contrario, il nuovo sistema di IA può analizzare una micrografia completa ad alta risoluzione in meno di un secondo su una scheda grafica standard, o in pochi secondi su un normale processore per computer. Più importante ancora, il sistema è riproducibile. Se si passa la stessa immagine attraverso il sistema dieci volte, fornisce lo stesso risultato ogni volta, mentre un essere umano potrebbe tracciare linee leggermente diverse ogni volta a causa della fatica o della distrazione. I ricercatori hanno scoperto che il sistema poteva stimare il volume di silicio nel materiale con un errore inferiore al due per cento per la maggior parte dei campioni, un livello di precisione sufficiente per il controllo qualità industriale di routine.

Lo studio ha anche rivelato perché alcune immagini siano più difficili da analizzare di altre. I ricercatori hanno sviluppato un modo per misurare la "difficoltà" di una micrografia osservando quanto sono sottili i collegamenti tra le fasi e quanto i colori si sovrappongono. Hanno scoperto che quando il silicio forma ponti molto sottili che collegano pool più grandi, o quando i colori del silicio e della ceramica sono quasi identici, i metodi di soglia semplici falliscono. Il nuovo sistema di IA, tuttavia, è stato in grado di navigare in queste aree difficili imparando dal contesto dell'immagine circostante, vedendo efficacemente l'insieme piuttosto che isolati pixel. Questa capacità di gestire microstrutture complesse e disordinate significa che gli scienziati possono ora esaminare rapidamente nuove ricette ceramiche, testando come diverse condizioni di produzione influenzano il materiale finale senza essere rallentati dall'analisi manuale.

Questo lavoro rappresenta un passo avanti significativo nel rendere le ceramiche avanzate più accessibili e affidabili. Automatizzando il conteggio degli ingredienti microscopici, i ricercatori hanno rimosso una barriera importante all'ottimizzazione di questi materiali. Il sistema non è una soluzione magica che funziona perfettamente in ogni singolo caso; i ricercatori hanno notato che per le strutture molto più grossolane con le caratteristiche più grandi, il tasso di errore era leggermente superiore rispetto ai metodi tradizionali. Tuttavia, il compromesso è estremamente positivo, offrendo un modo veloce, automatico e coerente per comprendere la vita interiore delle ceramiche di carburo di silicio. Mentre il team guarda al futuro, pianifica di perfezionare ulteriormente il sistema e applicarlo a materiali ancora più complessi, aiutando potenzialmente a progettare la prossima generazione di componenti resistenti al calore per l'industria e lo spazio. La capacità di vedere chiaramente nel mondo microscopico delle ceramiche non è più una lotta lenta e manuale, ma un processo rapido e automatizzato che può tenere il passo con le richieste dell'ingegneria moderna.