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

O carbeto de silício é um material construído para a resistência. É uma cerâmica tão dura que pode cortar aço, mas leve o suficiente para ser usada na aeroespacial, e pode suportar temperaturas que derreteriam a maioria dos metais. Devido a essas qualidades, engenheiros o utilizam para fabricar peças para motores, travões e fornos de alta temperatura. No entanto, o material não é uma substância única e uniforme. Dentro de um bloco de cerâmica de carbeto de silício, existe uma mistura complexa de três componentes distintos: os cristais principais de carbeto de silício, o silício livre restante e bolsas de carbono. O desempenho da peça final depende inteiramente de como estes três ingredientes estão arranjados e de quanto de cada um está presente. Se o conteúdo de silício for demasiado elevado, a peça poderá tornar-se quebradiça; se o carbono estiver distribuído de forma irregular, poderá falhar sob tensão. Para fabricar melhores materiais, os cientistas precisam de saber exatamente o que está lá dentro, mas ver estas fases minúsculas e misturadas sob um microscópio é surpreendentemente difícil.

Durante décadas, investigadores tentaram contar estes ingredientes invisíveis observando fotografias de luz refletida da superfície do material. O desafio é que os três componentes parecem muito semelhantes ao olho humano e a programas de computador padrão. São todos tons de cinzento, e a iluminação pode variar de uma foto para a outra, tornando difícil distinguir onde uma fase termina e outra começa. Os métodos tradicionais dependem frequentemente de regras simples, tais como "qualquer coisa mais escura que este tom é carbono", mas estas regras falham quando o contraste é baixo ou quando os diferentes materiais estão tecidos em fios finos e intrincados. Quando estes métodos antigos falham, os cientistas têm de traçar manualmente cada grão, um processo que é lento, tedioso e propenso ao erro humano. Este gargalo tem atrasado o desenvolvimento de melhores cerâmicas, deixando os engenheiros a adivinhar a composição exata dos seus materiais.

Uma equipa de investigadores do Instituto Osipyan de Física do Estado Sólido e da Universidade Estadual de Irkutsk desenvolveu uma nova forma de resolver este problema. Em vez de depender de regras rígidas ou passar horas a desenhar linhas à mão, criaram um sistema informático inteligente que aprende a reconhecer as três fases por conta própria. A chave para o seu sucesso foi uma técnica chamada "supervisão fraca". Normalmente, treinar um computador para ver estes detalhes exige que um humano rotule meticulosamente milhares de imagens, marcando cada pixel individual como silício, carbono ou cerâmica. Os investigadores perceberam que podiam saltar este passo exaustivo. Primeiro, utilizaram um método matemático para agrupar as cores nas fotografias em três categorias grosseiras. Estes grupos não eram perfeitos, mas eram bons o suficiente para servir como ponto de partida. Utilizaram depois estes rascunhos grosseiros para ensinar uma rede neuronal compacta, um tipo de inteligência artificial inspirada no cérebro humano, a distinguir as fases com precisão.

O sistema que construíram baseia-se num design conhecido como U-Net, que tem a forma da letra U. Funciona primeiro olhando para a imagem completa para compreender o contexto geral, depois faz zoom para ver os detalhes finos e, finalmente, combina essas visões para desenhar um mapa preciso do interior do material. Os investigadores treinaram este sistema em centenas de micrografias de cerâmicas de carbeto de silício fabricadas através de um processo chamado infiltração de silício líquido. Neste processo, o silício fundido é vertido num bloco de carbono poroso, reagindo para formar carbeto de silício enquanto deixa algum silício e carbono para trás. A equipa testou o seu novo sistema contra os antigos métodos baseados em regras e contra o lento traçado manual feito por especialistas humanos. Descobriram que os antigos métodos baseados em regras falhavam frequentemente de forma total quando o contraste era baixo, falhando em separar o silício da cerâmica e produzindo contagens grosseiramente imprecisas. O novo sistema de IA, no entanto, manteve um alto nível de precisão mesmo nas imagens mais difíceis e de baixo contraste.

Embora o novo sistema não produzisse sempre um mapa de pixel por pixel ligeiramente mais perfeito do que um humano altamente qualificado utilizando um método tradicional de watershed, ofereceu uma vantagem massiva em termos de velocidade e consistência. O método tradicional, que exige que um humano ajuste as definições e guie o computador, pode demorar dezenas de minutos ou até uma hora para processar uma única imagem. Em contraste, o novo sistema de IA pode analisar uma micrografia completa de alta resolução em menos de um segundo numa placa gráfica padrão, ou em apenas alguns segundos num processador de computador regular. Mais importante ainda, o sistema é reproduzível. Se executar a mesma imagem através do sistema dez vezes, obterá o mesmo resultado todas as vezes, enquanto um humano pode desenhar linhas ligeiramente diferentes a cada vez devido à fadiga ou distração. Os investigadores descobriram que o sistema conseguia estimar o volume de silício no material com um erro inferior a dois por cento para a maioria das amostras, um nível de precisão que é suficiente para o controlo de qualidade industrial de rotina.

O estudo também revelou por que razão algumas imagens são mais difíceis de analisar do que outras. Os investigadores desenvolveram uma forma de medir a "dificuldade" de uma micrografia ao observar quão finas são as conexões entre as fases e o quanto as cores se sobrepõem. Descobriram que, quando o silício forma pontes muito finas que ligam grandes reservatórios, ou quando as cores do silício e da cerâmica são quase idênticas, os métodos simples de limiarização falham. O novo sistema de IA, no entanto, foi capaz de navegar por estas áreas complicadas ao aprender com o contexto da imagem circundante, vendo efetivamente o quadro geral em vez de apenas pixels isolados. Esta capacidade de lidar com microestruturas complexas e desordenadas significa que os cientistas podem agora realizar o rastreio rápido de novas receitas cerâmicas, testando como diferentes condições de fabrico afetam o material final sem serem atrasados pela análise manual.

Este trabalho representa um passo significativo para tornar as cerâmicas avançadas mais acessíveis e fiáveis. Ao automatizar a contagem de ingredientes microscópicos, os investigadores removeram uma bar das barreiras para otimizar estes materiais. O sistema não é uma solução mágica que funciona perfeitamente em todos os casos; os investigadores notaram que, para as estruturas muito mais grosseiras com as maiores características, a taxa de erro era ligeiramente superior à dos métodos tradicionais. No entanto, a compensação é esmagadoramente positiva, oferecendo uma forma rápida, automática e consistente de compreender a vida interior das cerâmicas de carbeto de silício. Enquanto a equipa olha para o futuro, planeiam refinar o sistema ainda mais e aplicá-lo a materiais ainda mais complexos, ajudando potencialmente a desenhar a próxima geração de componentes resistentes ao calor para a indústria e o espaço. A capacidade de ver claramente para dentro do mundo microscópico das cerâmicas já não é uma luta manual e lenta, mas sim um processo rápido e automatizado que pode acompanhar as exigências da engenharia moderna.