Des ingénieurs de l'université Duke ont mis au point ATOMIC, un microscope piloté par intelligence artificielle capable d'analyser les matériaux de manière autonome. Cette innovation promet d'accélérer la recherche et d'améliorer la précision des analyses sans nécessiter de données d'apprentissage spécifiques.
Cet automne, le laboratoire de génie électrique et informatique de l'université Duke, dirigé par Haozhe « Harry » Wang, a présenté une avancée majeure dans le domaine des technologies de recherche : un microscope doté d'intelligence artificielle. Baptisée ATOMIC (Autonomous Technology for Optical Microscopy & Intelligent Characterization), cette plateforme vise à reproduire et à accélérer les tâches analytiques complexes habituellement réalisées par des étudiants de troisième cycle qualifiés.
« Le système que nous avons conçu ne se contente pas de suivre des instructions, il les comprend », a déclaré Wang, professeur adjoint de génie électrique et informatique, dans un communiqué de presse. « ATOMIC peut analyser un échantillon, prendre des décisions de manière autonome et produire des résultats aussi précis qu'un expert humain. »
Publié Publié dans la revue ACS Nano, ce développement marque une avancée significative dans la recherche autonome. S'appuyant sur des modèles d'IA fondamentaux tels que ChatGPT d'OpenAI et Segment Anything Model (SAM) de Meta, ATOMIC ouvre de nouvelles perspectives où l'IA collabore avec les chercheurs humains pour concevoir des expériences, manipuler des instruments et interpréter des données.
L'équipe de Wang se concentre sur les matériaux bidimensionnels (2D) présentant des applications potentielles dans les semi-conducteurs avancés, les capteurs et les dispositifs quantiques. Leur conductivité électrique et leur flexibilité exceptionnelles en font des candidats prometteurs pour l'électronique de nouvelle génération.
Cependant, des défauts de fabrication peuvent annuler ces avantages, ce qui exige une analyse méticuleuse pour les identifier et les corriger.
« Pour caractériser ces matériaux, il faut généralement quelqu'un qui comprenne toutes les nuances des images microscopiques », a ajouté Wang. « Il faut des mois, voire des années, de cours scientifiques de haut niveau et d'expérience aux étudiants de troisième cycle pour y parvenir. »
Pour simplifier ce processus, l'équipe a connecté un microscope optique standard à ChatGPT pour les opérations de base telles que le déplacement de l'échantillon, la mise au point de l'image et les réglages de l'éclairage. Elle a ensuite intégré SAM pour différencier les régions au sein des images, comme les zones présentant des défauts ou les sections intactes.
La collaboration entre ces modèles d'IA a créé un outil de laboratoire puissant, capable d'actions et de prises de décision indépendantes.
Cependant, transformer une IA généraliste en un partenaire scientifique spécialisé a nécessité une personnalisation importante. SAM, par exemple, a initialement rencontré des difficultés avec la superposition des couches, un problème fréquent dans la recherche sur les matériaux. L'équipe a surmonté cette difficulté en ajoutant un algorithme de correction topologique permettant de distinguer les régions monocouches des régions multicouches.
Le système a également trié les régions isolées en fonction de leurs propriétés optiques, le tout géré de manière autonome par ChatGPT. Les performances étaient stupéfiantes : ATOMIC a identifié les régions de couches et les défauts infimes avec une précision allant jusqu’à 99.4 %, même dans des conditions d’imagerie sous-optimales telles qu’une mise au point médiocre ou une faible luminosité.
« Ce modèle permet de détecter les joints de grains à des échelles difficilement visibles à l'œil nu », ajoute Jingyun « Jolene » Yang, doctorante au sein du laboratoire de Wang et première auteure de l'étude. « Ce n'est toutefois pas de la magie. En zoomant, ATOMIC peut observer les détails pixel par pixel, ce qui en fait un outil précieux pour notre laboratoire. »
Cette capacité permet à l'équipe de cibler des zones de matériaux de haute qualité pour des recherches ultérieures, notamment en robotique souple et en électronique de nouvelle génération. L'adaptabilité du système repose sur l'utilisation d'informations préexistantes issues de modèles de base, ce qui évite le recours à d'importantes données d'entraînement spécialisées, généralement requises par les approches d'apprentissage profond traditionnelles.
En intégrant de tels systèmes d'IA avancés, l'équipe d'ingénierie de Duke envisage un avenir où la frontière entre l'expertise humaine et l'intelligence artificielle s'estompera, accélérant considérablement la découverte scientifique et l'innovation.
Source: École d'ingénierie Duke Pratt