通过运用机器学习技术，科学家们大幅提高了图像处理的速度，同时保证了准确度。这种方法在处理从电池到半导体系统中的边缘和界面问题时尤为有效。这些边缘和界面对于材料性能有着决定性的影响。

研究者们需要详细考察两种或多种不同成分相交的地方，以便研发出更加坚固、高效和耐用的材料。美国能源部阿贡国家实验室的最新研究表明，研究人员采用了基于机器学习的新技术来改进这一过程。

机器学习技术能够揭示材料中隐藏的边缘和界面信息。原子探针断层摄影术就是一种利用机器学习进行分析的技术，通过这种技术，研究者可以从三维小样本中逐个剥离原子。随后，他们进行飞行时间测量和质谱分析，以确定原子的具体位置。这一过程会产生大量数据，为了便于分析，研究者将这些数据分成二维切片。

每一片都被转化为图像，机器学习算法能够识别出其中的边缘和界面。在训练算法识别这些界面时，阿贡国家实验室的研究团队采用了非传统的训练方法。他们没有使用边界模糊的材料图像，而是选择了猫和狗的照片，以帮助算法学会识别图像中的边缘。尽管对于人类而言，这些形状很容易识别，但对于计算机来说却颇具挑战性，因此成为了一个有效的训练环境。

为了验证机器学习算法的准确性，研究者还编制了一组分子动力学模拟数据集，这些数据集中的样本成分已知。通过这种方式，研究者能够从原子探针断层扫描数据中提取成分信息，并将其与实际数据进行对比。在此之前，从原子探针断层扫描数据中创建这类浓度分布图通常需要耗费大量时间和精力的繁琐手动操作。

借助机器学习算法与新开发的定量分析软件的结合，科学家们大大加快了对各类材料界面的分析速度。这种方法是可扩展的，可以部署在高性能计算平台上并实现完全自动化。研究团队包括了数学、人工智能、纳米科学、材料科学和计算机科学领域的专家，他们共同解决了材料表征中的一个复杂难题。

阿贡国家实验室的计算机科学家普拉桑纳·巴拉普拉卡什指出，从机器学习的角度来看，数据不足是一个主要挑战。在典型的机器学习环境中，训练所需的数据量通常是充足的，但在原子探针断层扫描中，获取和标记数据需要大量时间和精力，这限制了直接应用深度学习方法的可能性。

研究团队利用迁移学习技术，包括使用在自然图像上训练的深度学习模型，来识别原子探针断层扫描数据中的边缘。原子探针断层扫描实验是在东南大学的原子探针断层扫描中心完成的，研究成果已发表在《科学报告》杂志上。