Au LNE, l’intelligence artificielle accélère l’observation des nanoparticules
Le laboratoire national de métrologie et d’essais (LNE) a dévoilé le 20 mai une nouvelle plateforme dédiée à la caractérisation des nanomatériaux. Son atout ? L’utilisation de l’intelligence artificielle pour accélérer la reconnaissance et la mesure des particules à partir d’images de microscopie électronique.
Le laboratoire national de métrologie et d’essais (LNE) a choisi le 20 mai, date de la journée mondiale de la métrologie, pour dévoiler une toute nouvelle plateforme de caractérisation dédiée aux nanomatériaux. Baptisée NanoMétrologIA, cet outil développé par le LNE se distingue par son usage d’algorithmes d’apprentissage profond pour accélérer l’analyse dimensionnelle de nanoparticules, à partir d’images obtenues par microscopie électronique à balayage (MEB)
La caractérisation des nanoparticules est en effet un processus habituellement long et fastidieux pour les chercheurs. « Les particules de très petites dimensions ont tendance à s’agglomérer et à former des grappes aux grains irréguliers », explique Nicolas Fischer, responsable du département « science des données » au LNE « La caractérisation d’un échantillon demande, d’analyser environ 500 particules, qu’il faut isoler sur l’image en les détourant. Cette étape était jusqu’à présent réalisée manuellement ».
Un réseau de neurone de Facebook
A partir de 2019, les chercheurs du LNE ont entrainé l’algorithme de la plateforme NanoMetrologIA à reconnaître les particules apparaissant sur une image MEB et à les séparer. Le gain de temps est spectaculaire : une opération qui nécessitait auparavant une demi-journée peut désormais être réalisée en une dizaine de secondes !
Le réseau de neurones de NanoMetrologIA caractérise les dimensions de plusieurs milliers de nanoparticules pouvant être présentes sur une image MEB.
Pour mettre au point cet outil, l’équipe d’analyse des données du LNE a utilisé un algorithme de deep learning initialement développé par Facebook et l’a entrainé avec des images MEB annotées par les chercheurs. L’architecture du réseau de neurone a également été revue pour gagner en efficacité avec une base de données réduite, indique Loïc Coquelin, ingénieur de recherche au LNE.
Une centaine d’images réelles ont été utilisées, ainsi que 1000 images simulées. Ces dernières ont été produites en assemblant aléatoirement des photos de particules préalablement détourées. Une technique qui permet de facilement produire des agglomérats tout en connaissant les caractéristiques dimensionnelles des nanoparticules présentes dans l’image.
S’adapter à d’autres nanomatériaux
« Dans un premier temps nous nous sommes concentré sur l’identification de nanoparticules de dioxyde de titane (TiO2), pour lesquelles il y a un véritable enjeu dans l’agroalimentaire [auparavant utilisé en tant que colorant, le TiO2 a été interdit dans les aliments en janvier 2020. La particule est donc sous surveillance, ndlr], met en avant Loïc Coquelin. Mais il sera possible d’adapter à court terme cette méthode à des particules possédant une géométrie proche du TiO2, comme la silice (SiO2), le chlorure de sodium (NaCl), ou encore l’or et l’argent. Il ne sera pas nécessaire de ré entrainer complétement le réseau pour ces matériaux. »
Au-delà du développement de cet outil, le LNE travaille sur une méthode d’évaluation des incertitudes adaptée à l’utilisation du deep learning. « C’est un enjeu important pour établir des guides des références et une méthodologie. L’incertitude des résultats fournis par la plateforme doit être conforme à un certain standard, en tenant compte à la fois de l’incertitude de l’algorithme utilisé et de l’incertitude des données en entrée. C’est une information importante en métrologie. », explique Nicolas Fischer. Ces travaux sont menés par un doctorant, dans le cadre d’une collaboration avec l’Ecole Polytechnique.
Sélectionné pour vous
SUR LE MÊME SUJET
Au LNE, l’intelligence artificielle accélère l’observation des nanoparticules
Tous les champs sont obligatoires
0Commentaire
Réagir
