تجميع العيوب بدون إشراف في الميكروسكوبية ذات الدقة الذرية باستخدام مشفّر تبايني تلافيفي

لماذا تهم العيوب الدقيقة في البلورات

تعتمد الإلكترونيات الحديثة والخلايا الشمسية وأجهزة الاستشعار على مواد تبدو مرتبة تمامًا على المقياس الذري. في الواقع، تُنثر كل بلورة بعيوب دقيقة—ذرات مفقودة أو ذرات زائدة أو انزياحات طفيفة في النمط—يمكن أن تجعل الجهاز أكثر كفاءة أو تقضي على أدائه بهدوء. تعرض الورقة البحثية وراء هذا الملخص طريقة تتيح للذكاء الاصطناعي البحث عن هذه العيوب تلقائيًا في صور الميكروسكوب عالية الدقة، دون وسم بشري أو ضبط خبير، مما يفتح طريقًا نحو اكتشاف المواد بشكل أسرع وأقل تحيّزًا.

ترك الكمبيوتر يتعلّم شكل "الكمال"

ينطلق الباحثون من فكرة بسيطة: بدلًا من تعليم الكمبيوتر كل نوع ممكن من العيوب، علمه فقط كيف يبدو البلور المثالي. يستخدمون صورًا ذات دقة ذرية من مجهر إلكتروني قوي، حيث تمثل كل نقطة مضيئة عمودًا من الذرات. يتم تدريب نوع خاص من الشبكات العصبية يُسمى المشفّر التبايني التلافيفي على مناطق من الصورة يُعتقد أنها خالية من العيوب. مع مرور الوقت، تتعلّم هذه الشبكة النمط المتكرر المنتظم للبلورة وتصبح جيدة جدًا في إعادة بناء كيف ينبغي أن يبدو الشبك المثالي غير المضطرب.

تحويل الفروق إلى خريطة للعيوب

بمجرد أن تتعلم الشبكة النمط المثالي، يُمرَّر كل مقطع جديد من الميكروسكوب عبرها. ينتج النموذج أفضل تخمين لنسخة خالية من العيوب لذلك المقطع. من خلال طرح هذا التخمين من الصورة الحقيقية، تخلق الطريقة صورة "فرق" تُبرز فقط ما لا يتناسب مع النمط المتعلم—مثل ذرة زائدة، أو غياب زوج ذرات، أو انزياح في التراص. تزيل خطوة ترشيح إضافية الضوضاء العشوائية وآثار الحواف، تاركة إشارة نظيفة تركز على الشذوذ البنيوي الحقيقي بدلًا من كيفية قص نافذة الصورة. بفعالية، تعيد المنهجية صياغة المشكلة من "تعلّم كل العيوب الممكنة" إلى "إيجاد أي شيء غير عادي".

من الصور الخام إلى مجموعات ذات معنى

لترتيب هذه العيوب في فئات مفيدة، يحوّل الفريق كل مقطع إلى مجموعة من 47 وصفًا رقميًا بسيطًا. تصف هذه السمات مدى سطوع المقطع في المتوسط، ومدى انحياز توزيع الشدة فيه، وعدد الميزات الحادة التي يحتويها، وكيف تتكرر أنماطه في الفراغ، من بين خصائص أخرى. ثم يُقلَّص هذا القائِم في ثلاث مراحل: إزالة الوصفات المكررة التي تتصرف بشكل شبه متماثل، والتخلص من تلك التي تعجز عن فصل الصور إلى مجموعات مميزة، وترشيح تلك التي تتغير بالكاد. تترك هذه القائمة المختصرة مجموعة أقدر وأقل ضوضاء من السمات تلتقط الاختلافات البنيوية الحقيقية بينما تقلّل من الحسابات غير الضرورية.

ترك البيانات تقرّر عدد أنواع العيوب

باستخدام هذه السمات المنقّحة، يستخدم المؤلفون أدوات تجميع قياسية لتمكين البيانات من تنظيم نفسها. يضغطون أولًا فضاء السمات باستخدام تحليل المركبات الرئيسية، الذي يحتفظ بأهم التباينات أثناء تقليص عدد الأبعاد. ثم يطبقون طريقة تجميع كلاسيكية، k‑means، عدة مرات مع تغيير منظم لعدد العناقيد وعدد المركبات الرئيسية. مقياس جودة يُعرف بدرجة السِيلويت يظهر مدى الفصل بين المجموعات الناتجة. من خلال المسح عبر الاحتمالات، يحدد الإطار تلقائيًا ليس فقط مكان العناقيد ولكن أيضًا عدد أنواع العيوب التي تصف مجموعة البيانات بأفضل شكل—دون أي تسميات أو اختيارات يدوية مسبقة.

إثبات المنهج على بلورتين مختلفتين

اختُبرت الطريقة على صور لمادتين مدروستين جيدًا: تيلورايد الكادميوم، المستخدم في الخلايا الشمسية الرقيقة، وتيتانات ستروتيوم، وهو بلور أكسيد نموذجي. في تيلورايد الكادميوم، تتضمن مجموعة البيانات مناطق حجمية، عدة أنواع من أخطاء التراص، هياكل انزلاق خاصة، وحدود توأم، إلى جانب ذرات مضافة ومفقودة اصطناعيًا. على الرغم من الفروق الطفيفة في التباين وتأثيرات الحواف المشتتة، يستعيد الإطار تلقائيًا سبع عناقيد مميزة تتوافق مع هذه الفئات، مع عدد قليل فقط من التصنيفات الخاطئة من أكثر من ألف صورة. عند تطبيقه على تيتانات ستروتيوم، حيث تختلف بعض العيوب اختلافًا طفيفًا عن الشبك المثالي، يجد نفس سير العمل مرة أخرى العدد الصحيح من المجموعات ويصنّف الصور بدقة عالية، مما يدل على أن النهج ليس مخصصًا لمادة واحدة فقط.

ما يعنيه هذا لأبحاث المواد المستقبلية

بعبارات بسيطة، تُظهر الدراسة أن الكمبيوتر يمكنه أن يعلّم نفسه اكتشاف وتجميع العيوب على المقياس الذري في صور الميكروسكوب بتوجيه بشري محدود. من خلال تعلّم النمط الطبيعي للبلورة والتركيز على الاختلافات، يستطيع النظام فرز مجموعات كبيرة من الصور، واكتشاف أنواع عيوب مميزة، والقيام بذلك على حواسب مختبرية عادية. قد يساعد هذا النوع من الفرز الآلي غير المراقب الباحثين على رسم خرائط سريعة لتوزيع العيوب في عينة وكيفية ارتباطها بالأداء، مما يمهد الطريق لتصميم وتحسين أكثر استقلالية قائم على البيانات للأجيال المقبلة من المواد.

الاستشهاد: Ayyubi, R.A.W., Sultanov, S., Buban, J.P. et al. Unsupervised defect clustering in atomic-resolution microscopy using a convolutional variational autoencoder. npj Comput Mater 12, 166 (2026). https://doi.org/10.1038/s41524-026-02024-x

الكلمات المفتاحية: عيوب ذرية, المجهر الإلكتروني, تعلم بدون إشراف, المشفّرات التلقائية, توصيف المواد