التعلّم العميق القابل للتفسير لتصنيف الذرية في تجمعات البلاتين النانوية بصور STEM

لماذا تهمّ التكتلات المعدنية الصغيرة

يُعدّ البلاتين معدنًا أساسياً في تقنيات الطاقة النظيفة، من خلايا الوقود إلى المحللات الكهربائية، لكنه نادر ومكلّف. على أصغر المقاييس، يمكن لإضافة أو إزالة ذرة واحدة فقط من تكتل بلاتيني أن تغيّر بشكل كبير قدرته على تحفيز التفاعلات الكيميائية. للاستفادة من كل ذرة بحكمة، يحتاج العلماء إلى طريقة موثوقة لعدّ عدد الذرات في كل كتلة نانوية مباشرةً من صور الميكروسكوب. يشرح هذا البحث كيف يمكن لشكل مصمم بعناية من الذكاء الاصطناعي أن يتعلّم هذا العدّ من صور الميكروسكوب الإلكتروني، بل ويفسّر ما ينظر إليه، ممهِّدًا الطريق نحو تصميم حفازات أكثر ذكاءً وكفاءة.

رؤية الذرات بالمجهر الإلكتروني

يمكن للمجاهر الإلكترونية الماسحة الناقلة الحديثة (STEM) تصوير الذرات الفردية، كاشفةً كيف تجلس تجمعات المعادن النانوية على سطح الدعم. من الناحية النظرية، يجب أن يتيح ذلك للباحثين معرفة عدد الذرات في كل تجمع. لكن على أرض الواقع، تكون المهمة أصعب بكثير. تعتمد سطوع وشكل التكتل في الصورة ليس فقط على حجمه، بل أيضًا على اتجاهه، وكيف يمر الشعاع من خلاله، وكذلك على الضجيج والتباينات الطفيفة في التباين داخل الجهاز. تعتمد طرق التحليل التقليدية على قياس القطر الظاهر لكل جسيم واعتبار الأكبر يعني المزيد من الذرات. لكن لتجمعات البلاتين التي تحتوي على بضعة عقود إلى نحو سبعين ذرة، تتداخل توزيعات الأحجام بشكل قوي، لذا قد تبدو التجمعات ذات أعداد ذرية مختلفة متشابهة تقريبًا عند الاكتفاء بقياس القطر وحده، مما يجعل هذا النهج غير موثوق.

بناء مكتبة صور موثوقة

لمعالجة هذه المشكلة، أنشأ المؤلفون أولاً مجموعة بيانات استثنائية النقاء والموثوقية. استخدموا نظام شعاع أيوني متخصص لتحضير حزم من تجمعات البلاتين تم اختيار عدد ذراتها بدقة: 19، 30، 41، 55، أو 70 ذرة. ثم تم إنزال هذه "التجمعات المختارة حسب الحجم" بلطف على شبكات المجهر الإلكتروني بطاقة منخفضة جدًا بحيث تلتصق دون أن تتكسر أو تعيد ترتيب ذراتها. أدّى هذا التحضير الحذر إلى صور STEM عالية الدقة حيث كان عدد الذرات في كل تجمع معروفًا مسبقًا. مثل هذه المجموعة من البيانات، الخالية من العديد من الالتباسات المعتادة، وفّرت بيئة تدريب مثالية لنظام تعلّم عميق يمكنه التعرّف إلى الإشارات البصرية الدقيقة المرتبطة بالذرية بدلًا من الاقتصار على الحجم الخام.

تعليم شبكة عصبية عدّ الذرات

صمّم الفريق شبكة عصبية تلافيفية مدمجة، وهو نوع من نماذج التعلّم العميق المتفوّق في التعرف على الأنماط في الصور. قُصّ كل تجمع بلاتيني إلى رقعة صورة صغيرة وأُدخلت إلى الشبكة، التي تعلّمت تصنيفه إلى واحدة من خمس فئات معروف عدد ذراتها. قورنت نسختان من النموذج. استخدمت إحداهما صور STEM الخام كقناة إدخال واحدة. وأضافت الأخرى قناة ثانية تمرّر نفس الصور عبر مرشح تطبيع تباين محلي، مبرزًا الحواف والتغيرات المحلية. على الرغم من تداخل أقطار التجمعات، ميّزت النماذج الخمسة الذرية أداءً أفضل بكثير من القياس بالقطر وحده، وحقّقت النسخة ذات القناتين معامل تحديد قريبًا من 0.94 عند تقدير نسب الفئات الكليّة، ما يعني أن تنبؤاتها قاربت نتائج القياسات الفيزيائية المستقلة لعدد التجمعات من كل حجم المودَع.

إظهار منطق الآلة

خارج الدقة الخام، رغب المؤلفون في فهم ما الذي يوليه النموذج من اهتمام فعلًا. استخدموا طريقة تصور تبرز مناطق الصورة الأكثر مسؤولية عن كل قرار، مُنتِجة خرائط حرارية فوق التجمعات. كشفت هذه الخرائط أن الشبكة تركّز بشكل مختلف على المناطق المركزية والحافّة بحسب حجم التكتل، وأن قناتي الصورة الخام والمطَبّعة بالتباين تُكمّلان بعضهما البعض. بالنسبة للتجمعات الأصغر، كانت الصور الخام توجّه القرارات غالبًا عبر المركز الساطع، بينما نشرت القناة المفلترة الانتباه نحو المحيط الخارجي. ومع أكبر التجمعات، انقلب هذا التوازن. كما قاموا بإسقاط الأوصاف العددية الداخلية للنموذج لكل جسيم إلى بعدين، مظهِرين جزرًا مميزة ملونة تعكس أعدادًا ذرّية مختلفة. بعد خطوة ضبط دقيقة قصيرة على صور جديدة من ظروف ميكروسكوبية مختلفة، أصبحت هذه الجزر أنظف وأكثر فصلًا، مرآةً لتحسّن أداء التصنيف المستعاد.

التكيّف مع تغيّر ظروف التصوير

نادراً ما تجرى التجارب الواقعية في ظروف ثابتة تمامًا: يمكن أن تتغير الخلفيات، والضجيج، والتركيز من جلسة إلى أخرى. ورأى المؤلفون أن هذه التحوّلات يمكن أن تربك نموذجًا تدرب في مجموعة ظروف واحدة، مما يدفعه إلى تفضيل الفئة الخاطئة. لإصلاح ذلك من دون إعادة تدريب شاملة، قدّموا خطوة تكيف خفيفة. تُستخدم مجموعة صغيرة من التجمعات ذات الأقطار الواقعة في نطاقات منفصلة بوضوح—حيث يكون عدد الذرات المحتمل معروفًا بدرجة عالية من الثقة—لتحديث النموذج بلطف على كل صورة جديدة. هذا الضبط الدقيق، الذي قد يستغرق ثوانٍ، يسحب عناقيد الميزات في الفضاء الداخلي للنموذج مرة أخرى إلى الاصطفاف ويستعيد التنبؤات الدقيقة، حتى لعينات مختلطة تحتوي على عدة أحجام تجمعات على نفس الشبكة.

ماذا يعني هذا لحفازات المستقبل

بالنسبة لغير المتخصص، النتيجة الرئيسة هي أن المؤلفين حوّلوا صور الدقة الذرية الخام إلى أداة موثوقة وقابلة للتفسير لعدّ الذرات في تجمعات البلاتين الفردية، حتى عندما تفشل قياسات الحجم البسيطة. من خلال الجمع بين تحضير عينات دقيق والتعلّم العميق القابل للتفسير، يظهرون أن الآلات قادرة على استخراج وتصور التفاصيل البنائية المهمة لأداء التحفيز تلقائيًا. يمكن تضمين هذه القدرة مباشرة في المجاهر، لتوفير تغذية راجعة فورية أثناء التجارب وتوجيه تصميم حفازات تستخدم البلاتين الثمين بشكل أكثر اقتصادًا وفعالية. وينبغي أن يمتدّ نفس النهج إلى معادن وسبائك أخرى، مساعدًا علماء المواد على ربط البنية في المستوى النانوي بالوظيفة بطريقة أكثر اعتمادًا على البيانات وكفاءة في الموارد.

الاستشهاد: Tsukamoto, K., Hirata, N., Tona, M. et al. Interpretable deep learning for atomicity classification of platinum nanoclusters in STEM images. npj Comput Mater 12, 143 (2026). https://doi.org/10.1038/s41524-026-02014-z

الكلمات المفتاحية: تجمعات البلاتين النانوية, المجهر الإلكتروني, التعلّم العميق, تصميم الحفازات, معلومات المواد