Kernreaktor: Algorithmus erkennt Materialschäden
Neuer Ansatz bei der Erkennung und Analyse erfolgreicher als Mensch
 |
Schäden: neuer Ansatz erkennt winzige Defekte (Foto: wisc.edu) |
Madison/Oak Ridge (pte003/24.07.2018/06:10) Forscher der University of Wisconsin-Madison https://wisc.edu haben in Zusammenarbeit mit Kollegen des Oak Ridge National Laboratory https://ornl.gov Computer trainiert, damit diese mikroskopisch kleine Strahlenschäden von Kernmaterialien erkennen. Bei dieser komplexen Aufgabe konnten die Computer ihre menschlichen Kontrahenten ausstechen. Diese Materialien sollen beim Design von Kernreaktoren zum Einsatz kommen.
Menschliche Analyse fehleranfällig
"Maschinelles Lernen hat das große Potenzial, den gängigen Ansatz der mikroskopischen Analyse zu transformieren", sagt Wei Li von der University of Wisconsin-Madison. Die Wissenschaftler haben maschinelles Lernen eingesetzt, um Künstliche Intelligenz (KI) für die Analyse von Schäden potenzieller Kernmaterialien noch besser zu wappnen als das menschliche Personal. Beim maschinellen Lernen kommen statistische Methoden zur Anwendung, welche die Computer bei der Verbesserung ihrer Performance anleiten, ohne dass ein menschliches Zutun erforderlich ist.
Bisher waren Bildverarbeitungsalgorithmen immer von menschlichen Programmierern abhängig, die explizite Deskriptoren der Identifizierungsmerkmale eines Objektes zur Verfügung stellen. "Die Analyse und Identifikation durch einen Menschen ist fehleranfällig, inkonsistent und ineffektiv", schildert Dane Morgan von der University of Wisconsin-Madison.
Trefferquote von 86 Prozent
Die Wissenschaftler haben sich das maschinelle Lernen zunutze gemacht, um die Bilder der Elektronenmikroskopie rasch zu durchforsten. Dabei wurden Materialien unter die Lupe genommen, die zuvor einer Strahlung ausgesetzt worden waren, um einen eigenen Schädigungstypus festzustellen. Das Forschungsteam hat ein neuronales Netzwerk in Kombination mit einem maschinellen Lern-Algorithmus darin trainiert, diesen speziellen Schaden, die sogenannten Versetzungen, zu erkennen. In Versuchen konnte das Netzwerk diese Defekte mit einer Trefferquote von 86 Prozent identifizieren.
(Ende)| Aussender: | pressetext.redaktion |
| Ansprechpartner: | Carolina Schmolmüller |
| Tel.: | +43-1-81140-314 |
| E-Mail: | schmolmueller@pressetext.com |
| Website: | www.pressetext.com |
