Evolutionary Design of Interpretable Spatial Descriptors for Structure-Property Relationship Discovery

In de wereld van de materiaalkunde staan onderzoekers vaak voor een puzzel: hoe voorspel je hoe een materiaal zich zal gedragen door naar de structuur ervan te kijken. Stel je een wetenschapper voor die door een krachtige microscoop kijkt naar een minuscuul stukje van een vaste stof. Hij ziet een complex landschap van atomen, korrels en grensvlakken. Hij wil weten of die specifieke plek elektriciteit geleidt, zijn magnetische oriëntatie verandert of een specifiek type licht uitzendt. Om dit te beantwoorden, moet hij de visuele informatie van de afbeelding vertalen naar een reeks getallen die een computer kan gebruiken om een voorspelling te doen. Deze vertaling wordt een descriptor genoemd. Decennialang hebben wetenschappers gestreden met een fundamentele afweging in dit proces. Als ze naar een te klein gebied kijken, missen ze wellicht de omliggende context die het gedrag van de plek beïnvloedt. Als ze naar een te groot gebied kijken, of proberen elk minuscuul detail vast te leggen, overspoelen ze de computer met redundante informatie, wat de voorspelling trager en minder nauwkeurig maakt. De uitdaging is om de perfecte balans te vinden: de juiste grootte van de omgeving en het juiste niveau van detail om het essentiële verhaal van het materiaal te vangen zonder de ruis.

Een team onderzoekers aan de University of Tennessee heeft een nieuwe manier ontwikkeld om deze evenwichtsoefening op te lossen, waarbij ze verder gaan dan vaste regels door de data zelf te laten beslissen wat belangrijk is. In plaats van een computer te dwingen naar een vierkant raster van pixels of een vaste set concentrische ringen te kijken, hebben ze een systeem gecreëerd dat zijn eigen manier van zien ontwikkelt. Ze behandelden de constructie van de beeldbeschrijving als een biologisch evolutieproces. Ze begonnen met vele verschillende manieren om de microscopische afbeelding in regio's op te delen. Sommige regio's werden groot en eenvoudig gehouden, terwijl andere klein en gedetailleerd werden gehouden. Voor elke regio besloot het systeem of het de gemiddelde helderheid, de donkerste plek of de helderste plek zou registreren. De computer testte vervolgens deze verschillende beschrijvingen tegen echte metingen van hoe het materiaal reageerde op prikkels. Die beschrijvingen die leidden tot betere voorspellingen overleefden en werden met elkaar vermengd om nieuwe, potentieel betere versies te creëren. Over vele generaties van deze digitale evolutie ontdekte het systeem vanzelf welke delen van de afbeelding cruciaal waren en welke genegeerd konden worden.

De onderzoekers testten deze aanpak op twee zeer verschillende soorten microscopische data. De ene betrof het kijken naar een materiaal met een elektronenbundel om te zien hoe het energie absorbeert, wat de chemische samenstelling onthult. De andere betrof het drukken van een kleine probe tegen een oppervlak om te zien hoe het beweegt in reactie op een elektrisch veld, een gedrag dat veel voorkomt bij materialen die gebruikt worden voor sensoren en actuatoren. In beide gevallen vergeleken het team hun evoluerende methode met standaard, rigide manieren om afbeeldingen te verwerken. Ze kwamen tot de conclusie dat de geëvolueerde beschrijvingen veel efficiënter waren. Een standaardmethode zou misschien honderden getallen nodig hebben om een beeldfragment te beschrijven voor een redelijke voorspelling. De nieuwe methode kon dezelfde of zelfs een betere nauwkeurigheid bereiken met slechts een handvol zorgvuldig gekozen getallen. In één test presteerde een beschrijving met slechts zes specifieke regio's van de afbeelding bijna even goed als een veel complexere beschrijving met zevenentwintig regio's, en beide waren aanzienlijk beter dan een eenvoudige, uniforme vervaging van het hele beeld.

Wat deze ontdekking bijzonder krachtig maakt, is niet alleen de verbetering in nauwkeurigheid, maar ook de helderheid die het brengt in de wetenschap. Omdat het systeem zijn beschrijvingen opbouwt door specifieke delen van de afbeelding te groeperen en ze eenvoudige statistieken toe te wijzen, is het uiteindelijke resultaat gemakkelijk te begrijpen voor een mens. De onderzoekers kunnen naar de uiteindelijke "masker" van de afbeelding kijken en precies zien waar de computer zijn aandacht op heeft gericht. In de experimenten met het elektrisch actieve materiaal benadrukten de geëvolueerde beschrijvingen consequent het centrum van het meetpunt en de directe grenzen van de omliggende structuren. Dit komt overeen met de bekende fysica van hoe deze materialen werken, waarbij de lokale omgeving en de randen van naburige domeinen het gedrag aansturen. Het systeem hoefde dit niet te worden verteld; het leerde dat deze specifieke gebieden de meeste voorspellende kracht bezaten. Omgekeerd leerde het de hoeken van het beeldfragment of afgelegen gebieden te verwerpen die weinig bijdroegen aan de uitkomst, waardoor de visuele ruis effectief werd weggefilterd.

De studie verkende ook verschillende vormen voor deze evoluerende beschrijvingen. Hoewel de onderzoekers standaard vierkante rasters als startpunt gebruikten, lieten ze het systeem de afbeelding ook in circulaire patronen organiseren, waarbij het zicht werd onderverdeeld in ringen en taartpunten. De circulaire aanpak bleek net zo effectief als de vierkante aanpak, wat suggereert dat de specifieke vorm van het rooster er minder toe doet dan het vermogen om het detailniveau aan te passen aan de specifieke behoeften van het materiaal. De onderzoekers ontdekten dat voor sommige materialen een grove samenvatting van de omgeving voldoende was, terwijl voor andere fijne details nabij het centrum essentieel waren. Deze flexibiliteit betekent dat één enkele, rigide regel niet voor alle materialen kan gelden; in plaats daarvan hangt de beste manier om een structuur te beschrijven volledig af van de specifieke eigenschap die wordt voorspeld.

Door de taak van het beschrijven van de afbeelding te scheiden van de taak van het doen van de voorspelling, creëerden de onderzoekers een instrument dat zowel zeer nauwkeurig als transparant is. In veel moderne benaderingen fungeren complexe computermodellen als "black boxes", die voorspellingen doen die moeilijk uit te leggen zijn. Hier is het model eenvoudig, maar de input die het ontvangt is intelligent vervaardigd. De onderzoekers toonden aan dat door te optimaliseren hoe de afbeelding wordt samengevat, zij zelfs de prestaties van eenvoudige voorspellingsmodellen konden verbeteren. Dit suggereelt dat de bottleneck in veel wetenschappelijke voorspellingen niet de kracht van het computeralgoritme is, maar de kwaliteit van de informatie die erin wordt gevoed. Het werk demonstreert dat we computers kunnen leren om betere waarnemers te worden, niet door ze naar meer data te laten kijken, maar door ze te leren naar de juiste data te kijken op de juiste manier. Deze aanpak opent de deur naar het begrijpen van structuur-eigenschapsrelaties in een veel breder scala aan materialen, van de complexe kristallen die gebruikt worden in elektronica tot de ingewikkelde structuren die gevonden worden in biologische weefsels, door de data zelf de belangrijkste kenmerken van de microscopische wereld te laten onthullen.