Clustering no supervisado de defectos en microscopía de resolución atómica usando un autoencoder variacional convolucional

Por qué importan los pequeños defectos en los cristales

La electrónica moderna, las células solares y los sensores dependen de materiales que, a escala atómica, parecen perfectamente ordenados. En realidad, todo cristal está salpicado de pequeñas imperfecciones: átomos que faltan, átomos de más o ligeros desplazamientos en el patrón, que pueden hacer que un dispositivo sea más eficiente o, por el contrario, arruinar silenciosamente su rendimiento. El artículo resumido aquí presenta una forma de permitir que la inteligencia artificial busque automáticamente estas imperfecciones en imágenes de microscopía de alta resolución, sin etiquetado humano ni ajuste experto, abriendo un camino hacia un descubrimiento de materiales más rápido y menos sesgado.

Dejar que un ordenador aprenda cómo es lo “perfecto”

Los investigadores parten de una idea simple: en lugar de enseñar al ordenador cada posible tipo de defecto, enséñele únicamente cómo es un cristal perfecto. Usan imágenes de resolución atómica obtenidas con un potente microscopio electrónico, donde cada punto brillante corresponde a una columna de átomos. Un tipo especial de red neuronal, llamado autoencoder variacional convolucional, se entrena con regiones de la imagen que se consideran libres de defectos. Con el tiempo, esta red aprende el patrón regular y repetitivo del cristal y se vuelve muy buena reconstruyendo cómo debería ser una red ideal e intacta.

Convertir las diferencias en un mapa de defectos

Una vez que la red ha aprendido el patrón ideal, cada nuevo parche de la imagen se procesa a través de ella. El modelo genera su mejor estimación de una versión impecable de ese parche. Al restar esa estimación de la imagen real, el método crea una imagen de “diferencias” que resalta solo lo que no encaja en el patrón aprendido —como un átomo extra, un par de átomos faltantes o un desplazamiento en el apilamiento. Un paso de filtrado adicional elimina el ruido aleatorio y los artefactos de borde, dejando una señal limpia que se centra en anomalías estructurales genuinas en lugar de en cómo se cortó la ventana de la imagen. En efecto, el sistema replantea el problema de “aprender todos los defectos posibles” a “encontrar todo lo que no es normal”.

De imágenes crudas a grupos significativos

Para clasificar estos defectos en categorías útiles, el equipo convierte cada parche en un conjunto de 47 descriptores numéricos sencillos. Estos describen cuán brillante es el parche en promedio, qué tan sesgada está su distribución de intensidad, cuántas características nítidas contiene y cómo se repiten sus patrones en el espacio, entre otros rasgos. Luego podan esta lista en tres etapas: eliminan descriptores redundantes que se comportan casi idénticamente, descartan los que no ayudan a separar las imágenes en grupos distintos y filtran los que apenas varían. Esta selección deja una colección más reducida e informativa de características que captura mejor las diferencias estructurales reales a la vez que reduce el ruido y el coste computacional.

Dejar que los datos decidan cuántos tipos de defectos existen

Con estos rasgos refinados en mano, los autores usan herramientas estándar de clustering para dejar que los datos se organicen por sí mismos. Primero comprimen el espacio de características mediante análisis de componentes principales, que conserva las variaciones más importantes mientras reduce el número de dimensiones. Luego aplican un método clásico de agrupamiento, k‑means, muchas veces variando sistemáticamente tanto el número de clústeres como el de componentes principales. Una medida de calidad llamada puntuación de silueta indica qué tan bien separados están los grupos resultantes. Al explorar estas posibilidades, el marco identifica automáticamente no solo dónde se sitúan los clústeres sino también cuántos tipos de defectos describen mejor el conjunto de datos —sin etiquetas previas ni decisiones manuales.

Demostrar el enfoque en dos cristales distintos

El método se prueba en imágenes de dos materiales bien estudiados: telururo de cadmio, usado en células solares de capa delgada, y titanato de estroncio, un óxido cristalino modelo. En el telururo de cadmio, el conjunto de datos incluye regiones de volumen, varios tipos de fallos de apilamiento, estructuras especiales de dislocación y límites gemelos, junto con átomos añadidos y faltantes de forma artificial. A pesar de diferencias sutiles en el contraste y efectos de borde que distraen, el marco recupera automáticamente siete clústeres distintos que coinciden con estas categorías, con solo un puñado de clasificaciones erróneas entre más de mil imágenes. Aplicado al titanato de estroncio, donde algunos defectos difieren solo ligeramente de la red perfecta, el mismo flujo de trabajo vuelve a encontrar el número correcto de grupos y clasifica las imágenes con alta precisión, mostrando que el enfoque no está estrechamente ajustado a un solo material.

Qué significa esto para la investigación de materiales futura

En términos sencillos, el estudio muestra que un ordenador puede aprender a detectar y agrupar defectos a escala atómica en imágenes de microscopía con mínima guía humana. Al aprender el patrón normal de un cristal y centrarse en las diferencias, el sistema puede examinar grandes colecciones de imágenes, descubrir tipos distintos de fallos y hacerlo en ordenadores de laboratorio comunes. Este tipo de clasificación automática y no supervisada podría ayudar a los investigadores a mapear rápidamente cómo se distribuyen los defectos en una muestra y cómo se relacionan con el rendimiento, sentando las bases para un diseño y optimización de materiales de próxima generación más autónomos y guiados por datos.

Cita: 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

Palabras clave: defectos atómicos, microscopía electrónica, aprendizaje no supervisado, autoencoders, caracterización de materiales