Aprendizaje profundo interpretable para la clasificación de atomicidad de nanogrupos de platino en imágenes STEM

Por qué importan los pequeños grupos metálicos

El platino es un metal fundamental en tecnologías de energía limpia, desde pilas de combustible hasta electrolizadores, pero es escaso y costoso. En las escalas más pequeñas, añadir o quitar una sola átomo de un nanogrupo de platino puede cambiar drásticamente su capacidad para impulsar reacciones químicas. Para utilizar cada átomo con criterio, los científicos necesitan un método fiable para contar cuántos átomos hay en cada agregación nanométrica directamente a partir de las imágenes del microscopio. Este trabajo muestra cómo una forma cuidadosamente diseñada de inteligencia artificial puede aprender a hacer ese conteo a partir de imágenes de microscopía electrónica e incluso explicar qué está observando, allanando el camino hacia un diseño de catalizadores más inteligente y eficiente.

Ver átomos con un microscopio electrónico

Los microscopios electrónicos de transmisión por barrido modernos (STEM) pueden visualizar átomos individuales, revelando cómo se sitúan los nanogrupos metálicos sobre una superficie de soporte. En principio, esto debería permitir a los investigadores leer cuántos átomos tiene cada grupo. En la práctica, la tarea es mucho más complicada. La intensidad y la forma de un grupo en la imagen dependen no solo de su tamaño, sino también de su orientación, del paso del haz por él, y del ruido y cambios sutiles de contraste en el instrumento. Los métodos tradicionales se basan en medir el diámetro aparente de cada partícula y asumir que mayor tamaño significa más átomos. Pero para grupos de platino que contienen desde unas pocas decenas hasta cerca de setenta átomos, las distribuciones de tamaño se solapan fuertemente, de modo que grupos con distinto número de átomos pueden parecer casi idénticos si solo se considera el diámetro, lo que hace que ese enfoque sea poco fiable.

Construir una biblioteca de imágenes fiable

Para abordar esto, los autores construyeron primero un conjunto de datos inusualmente limpio y de confianza. Utilizaron un sistema especializado de haz iónico para preparar haces de nanogrupos de platino con conteos atómicos seleccionados con precisión: 19, 30, 41, 55 o 70 átomos. Estos grupos "seleccionados por tamaño" se depositaron suavemente sobre rejillas para microscopía electrónica a muy baja energía para que se fijaran sin fracturarse ni reorganizarse. Esta preparación cuidadosa produjo imágenes STEM de alta fidelidad en las que el número de átomos de cada grupo se conocía de antemano. Un conjunto de datos así, libre de muchas de las ambigüedades habituales, proporcionó un terreno de entrenamiento ideal para un sistema de aprendizaje profundo que pudiera aprender las señales visuales sutiles vinculadas a la atomicidad en lugar de limitarse al tamaño bruto.

Enseñar a una red neuronal a contar átomos

El equipo diseñó una red neuronal convolucional compacta, un tipo de modelo de aprendizaje profundo que sobresale en reconocer patrones en imágenes. Cada nanogrupo de platino se recortó en un pequeño parche de imagen y se alimentó a la red, que aprendió a asignarlo a una de las cinco cuentas atómicas conocidas. Se compararon dos versiones del modelo. Una usó las imágenes STEM crudas como un único canal de entrada. La otra añadió un segundo canal que pasaba las mismas imágenes por un filtro de normalización local de contraste, enfatizando bordes y variaciones locales. A pesar del solapamiento en los diámetros, ambos modelos distinguieron las cinco atomicidades mucho mejor que el tamaño por sí solo, y la versión de doble canal alcanzó un coeficiente de determinación cercano a 0,94 al estimar las proporciones globales de clases, lo que significa que sus predicciones coincidían casi con las mediciones físicas independientes de cuántos grupos de cada tamaño se depositaron.

Hacer visible el razonamiento de la máquina

Más allá de la precisión bruta, los autores quisieron entender a qué prestaba atención el modelo. Utilizaron un método de visualización que resalta las regiones de la imagen más responsables de cada decisión, generando mapas de calor sobre los grupos. Estos mapas mostraron que la red se centra de manera diferente en las regiones centrales y periféricas según el tamaño del grupo, y que los canales crudo y normalizado por contraste se complementan entre sí. Para grupos más pequeños, las imágenes crudas guiaron principalmente las decisiones por el centro brillante, mientras que el canal filtrado desplaza la atención hacia el contorno exterior. Para los grupos más grandes, este equilibrio se invierte. También proyectaron las descripciones numéricas internas del modelo para cada partícula en dos dimensiones, mostrando islas distintivas codificadas por color que correspondían a diferentes conteos atómicos. Tras un breve ajuste fino con nuevas imágenes obtenidas en condiciones microscópicas distintas, estas islas se volvieron más nítidas y separadas, reflejando la mejora en la clasificación recuperada.

Adaptarse a condiciones de imagen cambiantes

Los experimentos reales rara vez se desarrollan en condiciones perfectamente estables: las texturas de fondo, el ruido y el enfoque pueden cambiar de una sesión a otra. Los autores demostraron que estos desplazamientos pueden confundir a un modelo entrenado bajo un conjunto de condiciones, haciéndolo favorecer la clase equivocada. Para corregir esto sin reentrenamiento exhaustivo, introdujeron un paso de adaptación de bajo impacto. Un pequeño subconjunto de grupos cuyos diámetros se encuentran en rangos claramente separados —donde el conteo atómico probable se conoce con alta confianza— se usa para actualizar suavemente el modelo en cada nueva imagen. Este ajuste fino, que puede ejecutarse en segundos, realinea los cúmulos de características en el espacio interno del modelo y restaura predicciones precisas, incluso para muestras mixtas donde coexisten varios tamaños de grupo en la misma rejilla.

Qué significa esto para los catalizadores futuros

Para un lector no especializado, el resultado clave es que los autores han convertido imágenes de resolución atómica en una herramienta fiable y explicable para contar átomos en nanogrupos individuales de platino, incluso cuando las mediciones simples de tamaño fallan. Combinando una preparación de muestras precisa con aprendizaje profundo interpretable, muestran que las máquinas pueden extraer y visualizar automáticamente detalles estructurales importantes para el rendimiento catalítico. Esta capacidad podría integrarse directamente en microscopios, proporcionando retroalimentación en tiempo real durante los experimentos y guiando el diseño de catalizadores que usen el platino precioso de forma más parsimoniosa y eficaz. La misma estrategia debería poder aplicarse a otros metales y aleaciones, ayudando a los científicos de materiales a vincular la estructura a escala nanométrica con la función de manera más basada en datos y eficiente en recursos.

Cita: 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

Palabras clave: nanogrupos de platino, microscopía electrónica, aprendizaje profundo, diseño de catalizadores, informática de materiales