Durch den Einsatz von Machine Learning sollen die vielfältigen Informationen in elektronenmikroskopischen Bildern genutzt werden. Im Rahmen des europäischen Projekts nPSize wurden erste Erfolge beim Entrauschen von Bildern sowie bei der automatischen Detektion von Partikeln erzielt. Auf dieser Grundlage erscheint die Anwendung von Machine Learning auch auf komplexere Fragestellungen wie etwa die morphologische Charakterisierung von Ruß vielversprechend.

Machine Learning beruht auf dem Erlernen und Verallgemeinern von Trainingsdaten. Der Erfolg der Methode hängt daher ganz wesentlich von Umfang und Qualität der zur Verfügung stehenden Trainingsdatensätze ab. Durch Monte-Carlo-Simulationen der Bildentstehung im Elektronenmikroskop können umfangreiche und qualitativ hochwertige Trainingsdatensätze in relativ kurzer Zeit generiert werden, was eine Vielzahl von potentiellen Anwendungen ermöglicht.

Rußpartikel entstehen durch Verbrennungsprozesse und stellen nicht nur eine Gefahr für die Gesundheit dar, sondern wirken aufgrund ihrer optischen Eigenschaften auch klimaschädlich, wobei insbesondere die fraktale Dimension der Partikel ihr Verhalten beeinflusst. Die Morphologie von Rußpartikeln wird daher schon lange mittels Elektronenmikroskopie untersucht, wobei die auf diese Weise gewonnenen Aufnahmen zweidimensionale Projektionen der Partikel darstellen. Die Wissenschaft steht daher vor dem Problem, wie aus diesen Projektionen die fraktale Dimension als Eigenschaft der dreidimensionalen Form (mit Werten zwischen 1 z.B. für eine lange Kette und 3 für kugelförmige Aggregate) bestimmt werden kann. Dazu wurde in der Vergangenheit eine Reihe von konventionellen Ansätzen vorgestellt, von denen ein Teil kaum oder nur für Spezialfälle geeignet ist. Die geeigneteren Ansätze sind komplex, zeitaufwendig und abhängig von Eingaben der Nutzenden. Es konnte gezeigt werden, dass es möglich ist, große Teile des konventionellen Algorithmus durch Machine-Learning-Netzwerke zu ersetzen. Dabei werden durch den Einsatz von Machine-Learning-Netzwerken schon jetzt einige Nachteile der herkömmlichen Methode überwunden: Eingaben durch Nutzende sind nicht mehr notwendig, was einen etwaigen User Bias ausschließt, und die Auswertung konnte in etwa um den Faktor 10 beschleunigt werden. Dadurch ist ein Einsatz in Echtzeit während des Aufnahmeprozesses am Elektronenmikroskop denkbar.