Trong các hệ thống từ pin tới chất bán dẫn, các cạnh và bề mặt có vai trò quan trọng quyết định tới tính chất của một loại vật liệu. Các nhà khoa học mong muốn nghiên cứu những điểm hội tụ tại hai hoặc nhiều những điểm khác nhau trên một vật thể mẫu, từ đó thiết kế ra những loại vật liệu kiên cố hơn, hiệu quả hơn và có tuổi thọ lâu hơn.
Trong một nghiên cứu từ phòng thí nghiệm quốc gia Argonne của Cục Năng lượng Hoa Kỳ (DOE), các nhà nghiên cứu đã ứng dụng một kỹ thuật mới dựa trên công nghệ máy học để khám phá những bề mặt hoặc những cạnh bị khuất trong một loại vật liệu. Công nghệ máy học được ứng dụng như một kỹ thuật xử lý hình ảnh, từ đó giúp các nhà khoa học có thể đẩy nhanh công đoạn nghiên cứu định lượng thủ công các bề mặt mà không phải lo tới việc độ chính xác bị ảnh hưởng.
Hình ảnh tái hiện của toàn bộ mẫu chụp cắt lớp đầu dò siêu nguyên tử coban (trái) khi sử dụng đám mây điểm ba chiều và hình ảnh bề mặt thu được qua phương pháp phát hiện cạnh (phải). (Nguồn: Phòng thí nghiệm quốc gia Argonne).
Kỹ thuật thí nghiệm sử dụng để tạo dữ liệu phân tích trong máy học là công nghệ chụp cắt lớp đầu dò nguyên tử. Kỹ thuật này giúp các nhà nghiên cứu chọn ra những mẫu vật 3D nhỏ như đầu kim. Các nguyên tử riêng lẻ sau đó sẽ được tách ra khỏi mẫu. Tiếp theo, các nhà nghiên cứu sẽ sử dụng công nghệ đo thời gian bay (ToF) và phương pháp khối phổ để xác định một nguyên tử cụ thể tới từ vị trí nào trong vật liệu.
Quá trình này giúp tạo ra một bộ dữ liệu lớn về vị trí các nguyên tử trong một mẫu vật. Để có thể nghiên cứu bộ dữ liệu này, các nhà nghiên cứu sẽ cắt chúng thành các lát cắt hai chiều, mỗi lát cắt sẽ là một hình ảnh để thuật toán máy học quyết định các cạnh và bề mặt.
Trong quá trình dạy các thuật toán nhận diện các bề mặt, đội ngũ thực hiện dưới sự điều hành của các nhà khoa học vật liệu Argonne và chủ nhân của nghiên cứu Olle Heinonen đã có một cách tiếp cận khác biệt. Thay vì sử dụng các hình ảnh của những loại vật liệu có các ranh giới bề mặt không rõ ràng, Heinonen cùng các cộng sự của mình bắt đầu với hình ảnh của những chú chó và mèo, từ đó giúp thuật toán máy học học tốt hơn về các cạnh trong một bức ảnh.
Heinonen nói rằng: “Khi nhắc tới việc dạy các thuật toán học, việc sử dụng những hình ảnh tưởng chừng đơn giản với ta nhưng lại phức tạp với máy tính sẽ giúp cho máy tính có được một nền tảng tốt.”
Sau đó, Heinonen cùng đồng nghiệp của mình có thể kiểm chứng mức độ chính xác của thuật toán máy học bằng cách biên soạn một bộ mô phỏng động lực học phân tử, sử dụng chúng để tạo những bộ dữ liệu tổng hợp, trong đó các cấu phần của mẫu vật mô phỏng đã được biết trước. Họ sử dụng những dữ liệu này và so sánh với thông tin trích xuất được từ các thuật toán trong máy học của mình.
Trước kia, để có thể thu được những thông về biên dạng nồng độ tập chất từ dữ liệu chụp cắt lớp đầu dò nguyên từ cần tới một quy trình thủ công tỷ mỷ. Tuy nhiên, Heinonen chia sẻ rằng với sự kết hợp thuật toán máy học cùng phần mềm phân tích định lượng mới được phát triển gần đây, Heinonen có thể đẩy nhanh tiến độ phân tích nhiều loại bề mặt vật liệu.
Ông chia sẻ thêm: “Phương pháp của chúng tôi hoàn toàn có thể nhân rộng, chúng ta có thể đưa vào công nghệ điện toán hiệu suất cao và tự động hóa chúng, thay vì phải thực hiện những quy trình thủ công và xem xét từ nhiều nồng độ khác nhau. Với ý tưởng này, bạn chỉ cần gửi mã và nhấn nút.”
Mặc dù kỹ thuật này được phát triển cho chụp cắt lớp đầu dò nguyên tử, Heinonen giải thích rằng nó có thể điều chỉnh để sử dụng cho bất kỳ loại hình chụp cắt lớp nào, ngay cả các kỹ thuật như chụp cắt lớp tia X mà không nhất thiết phải tiết lộ vị trí nguyên tử. "Miễn là bạn có bộ dữ liệu 3D với một số thông tin và giao diện cấu trúc, kỹ thuật này có thể hữu ích", ông nói.
Nghiên cứu thành công chính là nhờ sự kết hợp và hợp tác của nhiều chuyên gia từ các lĩnh vực khác nhau, bao gồm toán học, trí tuệ nhân tạo, khoa học nano, khoa học vật liệu và khoa học máy tính. "Chúng tôi đã kết hợp nhiều kiến thức chuyên môn để giải quyết một vấn đề đầy thách thức trong quá trình mô tả đặc tính vật liệu", Heinonen nói.
Nhà khoa học máy tính của Argonne, Prasanna Balaprakash, đồng tác giả nghiên cứu cho biết: "Về phần máy học, một thách thức lớn mà chúng tôi phải cần giải quyết là việc thiếu dữ liệu. Với máy học thông thường, dữ liệu được dán nhãn để dạy rất phong phú, nhưng trong chụp cắt lớp đầu dò nguyên tử, để tạo ra được dữ liệu cần có thời gian và nỗ lực đáng kể vì cần thực hiện từng thí nghiệm và xác định thủ công các bề mặt tập trung iso như dữ liệu được dán nhãn."
Theo nhà khoa học tính toán tại Argonne Sandeep Madireddy, các nhà nghiên cứu đã sử dụng các mô hình học sâu được đào tạo trên hình ảnh tự nhiên, để tự động xác định các cạnh trong dữ liệu chụp cắt lớp của đầu dò nguyên tử.
Công nghệ chụp cắt lớp đầu dò nguyên tử được thực hiện tại Trung tâm Chụp cắt lớp nguyên tử của Đại học Tây Bắc.
Minh Thúy (Theo Phys.org)
