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

Siliciumcarbide is een materiaal dat gebouwd is voor uithoudingsvermogen. Het is een keramiek dat zo hard is dat het door staal kan snijden, maar licht genoeg om in de luchtvaart te worden gebruikt, en het kan temperaturen weerstaan die de meeste metalen zouden doen smelten. Vanwege deze kwaliteiten gebruiken ingenieurs het voor het maken van onderdelen voor motoren, remmen en hogetemperatuur-ovens. Echter, het materiaal is niet één enkel, uniform bestanddeel. Binnen een blok siliciumcarbidekeramiek bevindt zich een complexe mengeling van drie afzonderlijke componenten: de belangrijkste siliciumcarbidekristallen, overgebleven vrij silicium en zakjes koolstof. De prestaties van het uiteindelijke onderdeel hangen volledig af van hoe deze drie ingrediënten zijn gerangschikt en hoeveel van elk aanwezig is. Als het siliciumgehalte te hoog is, kan het onderdeel bros worden; als de koolstof ongelijkmatig verdeeld is, kan het falen onder spanning. Om betere materialen te maken, moeten wetenschappers precies weten wat erin zit, maar het is verrassend moeilijk om deze kleine, door elkaar gemengde fasen onder een microscoop te zien.

Decennialang hebben onderzoekers geprobeerd deze onzichtbare ingrediënten te tellen door naar reflectielichtfoto's van het oppervlak van het materiaal te kijken. De uitdaging is dat de drie componenten voor het menselijk oog en standaard computerprogramma's erg op elkaar lijken. Ze zijn allemaal grijstinten, en de belichting kan van de ene foto naar de andere variëren, wat het moeilijk maakt om te zien waar de ene fase eindigt en de andere begint. Traditionele methoden vertrouwen vaak op eenvoudige regels, zoals "alles dat donkerder is dan deze tint is koolstof", maar deze regels falen wanneer het contrast laag is of wanneer de verschillende materialen in dunne, ingewikkelde draden zijn geweven. Wanneer deze oude methoden falen, moeten wetenschappers elk korreltje handmatig traceren, een proces dat traag, tijdrovend en foutgevoelig is voor menselijke fouten. Deze flessenhals heeft de ontwikkeling van betere keramiek vertraagd, waardoor ingenieurs moesten gissen naar de exacte samenstelling van hun materialen.

Een team van onderzoekers van het Osipyan Instituut voor Vastestofkunde en de Staatsuniversiteit van Irkutsk heeft een nieuwe manier ontwikkeld om dit probleem op te lossen. In plaats van te vertrouwen op rigide regels of urenlang handmatig lijnen te tekenen, hebben zij een slim computersysteem gecreëerd dat zelf leert om de drie fasen te herkennen. De sleutel tot hun succes was een techniek genaamd "zwakke supervisie" (weak supervision). Normaal gesproken vereist het trainen van een computer om deze details te zien dat een mens duizenden afbeeldingen nauwgezet moet labelen, waarbij elke pixel als silicium, koolstof of keramiek wordt gemarkeerd. De onderzoekers realiseerden zich dat ze deze uitputtende stap konden overslaan. Ze gebruikten eerst een wiskundige methode om de kleuren in de foto's in drie grove categorieën te groeperen. Deze groepen waren niet perfect, maar ze waren goed genoeg om als startpunt te dienen. Vervolgens gebruikten ze deze ruwe concepten om een compact neuraal netwerk, een type kunstmatige intelligentie geïnspireerd door het menselijk brein, te leren hoe het de fasen nauwkeurig kan onderscheiden.

Het systeem dat zij hebben gebouwd, is gebaseerd op een ontwerp dat bekend staat als een U-Net, dat de vorm heeft van de letter U. Het werkt door eerst naar de hele afbeelding te kijken om de algemene context te begrijpen, vervolgens in te zoomen om de fijne details te zien, en die weergaven ten slotte te combineren om een nauwkeurige kaart van het binnenste van het materiaal te tekenen. De onderzoekers hebben dit systeem getraind op honderden micrografen van siliciumcarbidekeramiek die zijn vervaardigd via een proces dat vloeibare siliciuminfiltratie wordt genoemd. Bij dit proces wordt gesmolten silicium in een poreuze koolstofblok gegoten, wat reageert om siliciumcarbide te vormen, terwijl er wat silicium en koolstof achterblijven. Het team testte hun nieuwe systeem tegen zowel de oude regelgebaseerde methoden als de trage handmatige tracering door menselijke experts. Ze ontdekten dat de oude regelgebaseerde methoden vaak volledig instortten wanneer het contrast laag was, waarbij ze er niet in slaagden de silicium van het keramiek te scheiden en daardoor volkomen onnauwkeurige tellingen produceerden. Het nieuwe AI-systeem behield echter een hoog niveau van nauwkeurigheid, zelfs in de moeilijkste, laag-contrastrijke afbeeldingen.

Hoewel het nieuwe systeem niet altijd een iets perfectere pixel-voor-pixel kaart produceerde dan een zeer bekwame mens met een traditionele watershed-methode, bood het een enorm voordeel in snelheid en consistentie. De traditionele methode, die vereist dat een mens instellingen aanpast en de computer begeleidt, kan tientallen minuten of zelfs een uur in beslag nemen om één enkele afbeelding te verwerken. In contrast hiermee kan het nieuwe AI-systeem een volledige, hoog-resolutie micrograf in minder dan een seconde analyseren op een standaard grafische kaart, of in slechts enkele seconden op een gewone computerprocessor. Belangrijker nog, het systeem is reproduceerbaar. Als je dezelfde afbeelding tien keer door het systeem haalt, geeft het je elke keer hetzelfde resultaat, terwijl een mens door vermoeidheid of afleiding telkens weer iets andere lijnen zou tekenen. De onderzoekers ontdekten dat het systeem het volume aan silicium in het materiaal kon schatten met een fout van minder dan twee procent voor de meeste monsters, een precisieniveau dat voldoende is voor routinematige industriële kwaliteitscontrole.

De studie onthulde ook waarom sommige afbeeldingen moeilijker te analyseren zijn dan andere. De onderzoekers ontwikkelden een manier om de "moeilijkheidsgraad" van een micrograf te meten door te kijken naar hoe dun de verbindingen tussen de fasen zijn en hoeveel de kleuren overlappen. Ze ontdekten dat wanneer het silicium zeer dunne bruggen vormt die grotere pools verbinden, of wanneer de kleuren van het silicium en het keramiek bijna identiek zijn, eenvoudige drempelwaarde-methoden (thresholding) falen. Het nieuwe AI-systeem was echter in staat om deze lastige gebieden te navigeren door te leren van de context van de omliggende afbeelding, waardoor het effectief het hele plaatje ziet in plaats van alleen geïsoleerde pixels. Dit vermogen om complexe, rommelige microstructuren te hanteren betekent dat wetenschappers nu snel nieuwe keramische recepten kunnen screenen, waarbij ze testen hoe verschillende productieomstandigheden het uiteindelijke materiaal beïnvloeden zonder vertraagd te worden door handmatige analyse.

Dit werk vormt een belangrijke stap vooruit in het toegankelijker en betrouwbaarder maken van geavanceerde keramiek. Door het tellen van microscopische ingrediënten te automatiseren, hebben de onderzoekers een grote barrière weggenomen bij het optimaliseren van deze materialen. Het systeem is geen magische oplossing die in elk enkel geval perfect werkt; de onderzoekers merkten op dat voor de zeer grove structuren met de grootste kenmerken, de foutmarge iets hoger was dan bij traditionele methoden. Echter, de afweging is overweldigend positief, omdat het een snelle, automatische en consistente manier biedt om de innerlijke wereld van siliciumcarbidekeramiek te begrijpen. Terwijl het team naar de toekomst kijkt, willen ze het systeem verder verfijnen en toepassen op nog complexere materialen, wat potentieel helpt bij het ontwerpen van de volgende generatie hittebestendige componenten voor de industrie en de ruimtevaart. Het vermogen om helder in de microscopische wereld van keramiek te kijken, is niet langer een trage, handmatige strijd, maar een snel, geautomatiseerd proces dat het tempo van de moderne techniek kan bijhouden.