L'analyse d'images d'apprentissage automatique détermine rapidement la composition du mélange chimique

Apr 24, 2024

Avez-vous déjà accidentellement gâché une recette dans la cuisine en ajoutant du sel au lieu du sucre ? En raison de leur apparence similaire, c’est une erreur facile à commettre. De même, la vérification à l’œil nu est également utilisée dans les laboratoires de chimie pour fournir des évaluations initiales rapides des réactions ; cependant, tout comme dans la cuisine, l’œil humain a ses limites et peut se révéler peu fiable.

Pour résoudre ce problème, des chercheurs de l'Institute of Chemical Reaction Design and Discovery (WPI-ICReDD) de l'Université d'Hokkaido, dirigés par le professeur Yasuhide Inokuma.ont développé un modèle d'apprentissage automatiquequi permet de distinguer le rapport de composition de mélanges solides de composés chimiques en utilisant uniquement des photographies des échantillons.

Le modèle a été conçu et développé en utilisant des mélanges de sucre et de sel comme cas de test. L'équipe a utilisé une combinaison de recadrage aléatoire, de retournement et de rotation des photographies originales afin de créer un plus grand nombre de sous-images à des fins de formation et de test. Cela a permis de développer le modèle en utilisant seulement 300 images originales pour la formation. Le modèle formé était environ deux fois plus précis que l’œil nu, même du membre le plus expert de l’équipe.

"Je pense qu'il est fascinant qu'avec l'apprentissage automatique, nous ayons pu reproduire et même dépasser la précision des yeux de chimistes expérimentés", a commenté Inokuma. "Cet outil devrait pouvoir aider les nouveaux chimistes à acquérir plus rapidement un œil expérimenté."

Après le succès du test, les chercheurs ont appliqué ce modèle à l’évaluation de différents mélanges chimiques. Le modèle a réussi à distinguer différents polymorphes et énantiomères, qui sont tous deux des versions extrêmement similaires de la même molécule avec des différences subtiles dans la disposition atomique ou moléculaire. Distinguer ces différences subtiles est important dans l’industrie pharmaceutique et nécessite normalement un processus plus long.

Le modèle était même capable de gérer des mélanges plus complexes, en évaluant avec précision le pourcentage d'une molécule cible dans un mélange à quatre composants. Le rendement de la réaction a également été analysé, déterminant la progression d’une réaction de décarboxylation thermique.

L’équipe a en outre démontré la polyvalence de son modèle, en montrant qu’elle pouvait analyser avec précision les images prises avec un téléphone mobile, après une formation supplémentaire. Les chercheurs envisagent une grande variété d’applications, tant en laboratoire de recherche que dans l’industrie.

"Nous considérons que cela peut s'appliquer dans des situations où une évaluation constante et rapide est requise, comme la surveillance de réactions dans une usine chimique ou comme étape d'analyse dans un processus automatisé utilisant un robot de synthèse", a expliqué le professeur assistant spécialement désigné Yuki Ide. « De plus, cela pourrait servir d’outil d’observation pour les personnes malvoyantes. »

- Ce communiqué de presse a été initialement publié sur le site Internet de l'Université d'Hokkaido