Resolution Enhancement of Scanning Electron Micrographs using Artificial Intelligence

Wetenschappers die de onzichtbare wereld van materialen bestuderen, vertrouwen op een krachtig instrument genaamd de scanning elektronenmicroscoop. Dit instrument vuurt een bundel elektronen af op een monster om details te onthullen die veel kleiner zijn dan wat het menselijk oog kan zien, waardoor onderzoekers kunnen begrijpen hoe metalen op microscopisch niveau zijn opgebouwd. Het vastleggen van deze ongelooflijk scherpe beelden is echter een traag en delicaat proces. Om de fijnste details te zien, moet de microscoop het oppervlak punt voor punt scannen, een taak die zelfs voor een klein gebied uren kan duren. Tijdens dit lange wachten kan het monster beschadigd raken door de elektronenbundel, of het apparaat zelf kan licht gaan driften, waardoor het uiteindelijke beeld onscherp wordt. Voor onderzoekers die proberen zeldzame defecten of specifieke kenmerken te vinden die verborgen liggen in een groot stuk metaal, creëert deze traagheid een flessenhals: ze moeten kiezen tussen het scannen van een klein gebied met hoge detailgraad of een groot gebied met lage detailgraad, wat niet ideaal is voor het begrijpen van hoe materialen falen.

Een team van onderzoekers aan de RWTH Aachen Universiteit in Duitsland heeft een manier gevonden om deze afweging te doorbreken met behulp van kunstmatige intelligentie. In plaats van de microscoop urenlang te dwingen om elke afzonderlijke pixel van een hoogresolutiebeeld vast te leggen, hebben ze een methode ontwikkeld om een snelle, laagresolutie scan te maken en vervolgens een computerprogramma te gebruiken om de ontbrekende details intelligent in te vullen. Het proces werkt door een neuraal netwerk, een type computermodel dat geïnspireerd is door het menselijk brein, te leren de patronen van specifieke metalen te herkennen. De onderzoekers hebben dit systeem getraind met twee zeer verschillende soorten staal: een tweefasig staal, een mengsel van harde en zachte regio's dat wordt gebruikt in de auto-industrie, en een hardingsstaal, dat bekend staat om zijn taaie oppervlak en wordt gebruikt in tandwielen en machines. Door de computer duizenden paren afbeeldingen te tonen — één wazige en één scherpe — leerde het systeem hoe het de fijne details zou moeten voorspellen op basis van de ruwere versie.

De resultaten van deze aanpak vormen een significante sprong voorwaarts in snelheid en helderheid. Toen de onderzoekers hun methode testten, ontdekten ze dat de kunstmatige intelligentie de resolutie van een beeld met vier keer in zowel breedte als hoogte kon vergroten. Omdat de tijd die nodig is om een gebied te scannen exponentieel groeit met de resolutie, betekende deze verbetering dat de initiële beeldtijd met een factor zestien werd verminderd. In praktische termen: een gebied dat normaal gesproken negen uur zou duren om in hoge definitie te scannen, kon in slechts dertig minuten op een lagere resolutie worden vastgelegd en vervolgens direct door de computer worden verbeterd. Het team verifieerde dat de verbeterde beelden niet alleen sneller te produceren waren, maar ook nauwkeuriger dan traditionele methoden die worden gebruikt om afbeeldingen te vergroten, die vaak resulteren in wazige, blokkerige plaatjes. Het nieuwe systeem slaagde erin om scherpe randen, scheuren en minuscule insluitingen binnen het staal te reconstrueren, waarbij de complexe texturen die cruciaal zijn voor het begrijpen van de materiaalkracht werden behouden.

De onderzoekers merkten echter zorgvuldig op dat dit geen toverstaf is die informatie uit het niets creëert. Het systeem werkt het best wanneer het is getraind op het specifieke materiaal dat het onderzoekt. Toen ze voor het eerst probeerden de op het tweefasige staal getrainde methode direct toe te passen op het hardingsstaal, waren de resultaten matig, waarbij de beelden te licht en misplaatst waren. Het was pas nadat ze een korte tijd besteed hadden aan het hertrainen van het systeem met een kleine set afbeeldingen van het nieuwe type staal, dat de resultaten scherp en betrouwbaar werden. Dit suggereert dat hoewel de technologie krachtig is, deze een korte periode van aanpassing vereist voor elk nieuw materiaal. Bovendien toonde het team aan dat deze methode bijzonder nuttig is voor het vinden van zeldzame gebeurtenissen, zoals de minuscule scheurtjes die leiden tot metaalfalen. Door een groot gebied snel te scannen om deze zeldzame plekken te vinden en vervolgens alleen op die specifieke punten in te zoomen voor een laatste controle met hoge resolutie, kunnen wetenschappers uren aan tijd besparen zonder de kritieke data te verliezen die ze nodig hebben.

De studie bevestigt dat het combineren van snelle, laagresolutie scanning met intelligente beeldverbetering een levensvatbaar pad is voor de toekomst van de materiaalkunde. Het stelt onderzoekers in staat om grotere gebieden van een monster te observeren en schade in de loop van de tijd te volgen zonder het risico te lopen het monster te degraderen door langdurige blootstelling aan de elektronenbundel. Ho of de computergegenereerde beelden geen perfecte kopieën zijn van de originele hoogresolutie scans, ze zijn scherp genoeg om belangrijke kenmerken te identificeren en zijn veel superieur aan de standaard wiskundige trucjes die worden gebruikt om foto's te vergroten. Deze aanpak opent de deur naar het bestuderen van complexere materiaalconfiguraties en het observeren van meer stappen in realtime experimenten, wat wetenschappers effectief een snellere, helderdere kijk geeft in de microscopische wereld die de sterkte van de materialen die we dagelijks gebruiken, bepaalt.