O microscópio tradicional funciona utilizando uma série de lentes que exploram propriedades da luz, de forma a tornar visíveis pequenas estruturas. Entretanto, ele possui limitações, de forma que não é possível aumentar as imagens indefinidamente. Para contornar este problema, cientistas criaram os microscópios eletrônicos, que ao invés da luz, exploram propriedades do elétron. Quando um feixe de elétrons atravessa um material de interesse, seus parâmetros físicos são modificados ligeiramente, e esta modificação pode ser capturada por sensores para gerar uma imagem do material original. Com isso, os microscópios eletrônicos alcançam resoluções cerca de 1000 vezes maiores que as versões óticas.
De tempos em tempos, avanços na tecnologia tornam disponíveis microscópios eletrônicos ainda mais potentes, mas cientistas que os utilizam como ferramenta de trabalho não costumam fazer atualizações frequentes, pois os equipamentos são muito caros. Isto motivou pesquisadores do Laboratório Nacional de Argonne, nos Estados Unidos, a desenvolver uma atualização de software que fosse capaz de aumentar a capacidade de um microscópio já instalado, sem qualquer custo material. Esta atualização veio na forma de uma inteligência artificial.
O trabalho envolveu o conhecimento prévio de que, junto com as informações dos parâmetros dos elétrons que já são capturadas atualmente, existem outras propriedades que são perdidas durante a operação tradicional dos equipamentos. Uma delas é a chamada fase, que carrega dados sobre o potencial eletrostático e de magnetização dos materiais analisados. Os pesquisadores desenvolveram um método de machine learning para reconstruir esta informação a partir dos demais dados disponíveis, e assim produzir ainda mais dados sobre o material de interesse.
Além de ser do interesse de engenheiros pesquisando materiais para baterias e dispositivos eletrônicos, os dados de fase podem ser usados em conjunto com as demais propriedades capturadas pelos microscópios para aumentar ainda mais a resolução e a sensibilidade dos equipamentos, expandindo seu potencial de investigação sem investimento adicional.
A recuperação dos dados de fase já é um problema antigo da área de microscopia, e esta é a primeira solução que não depende do conhecimento prévio dos parâmetros do equipamento, o que só foi possível graças ao envolvimento da inteligência artificial no trabalho.
