Apprentissage profond interprétable pour la classification de l’atomicité des nanoclusters de platine dans des images STEM

Pourquoi les tout petits agrégats métalliques comptent

Le platine est un métal essentiel dans les technologies énergétiques propres, des piles à combustible aux électrolyseurs, mais il est rare et coûteux. À l’échelle la plus petite, l’ajout ou le retrait d’un seul atome d’un agrégat de platine peut modifier radicalement son efficacité pour piloter des réactions chimiques. Pour utiliser chaque atome à bon escient, les chercheurs ont besoin d’un moyen fiable de compter combien d’atomes composent chaque amas nanométrique directement à partir d’images microscopiques. Cet article montre comment une forme d’intelligence artificielle soigneusement conçue peut apprendre à effectuer ce comptage à partir d’images au microscope électronique, et même expliquer ce qu’elle observe, ouvrant la voie à une conception de catalyseurs plus intelligente et plus efficace.

Voir les atomes avec un microscope électronique

Les microscopes électroniques en transmission balayée modernes (STEM) peuvent imager des atomes individuels, révélant la façon dont des nanoclusters métalliques se déposent sur un support. En principe, cela devrait permettre de déduire combien d’atomes contient chaque agrégat. En pratique, la tâche est beaucoup plus difficile. La luminosité et la forme d’un agrégat dans une image dépendent non seulement de sa taille, mais aussi de son orientation, du trajet du faisceau à travers lui, ainsi que du bruit et des variations de contraste subtiles de l’instrument. Les méthodes d’analyse traditionnelles reposent sur la mesure du diamètre apparent de chaque particule et supposent que plus c’est grand, plus il y a d’atomes. Mais pour des agrégats de platine contenant quelques dizaines à environ soixante-dix atomes, les distributions de taille se chevauchent fortement, de sorte que des clusters avec des nombres d’atomes différents peuvent paraître presque identiques si l’on se fie uniquement au diamètre, rendant cette approche peu fiable.

Constituer une bibliothèque d’images fiable

Pour aborder ce problème, les auteurs ont d’abord constitué un jeu de données exceptionnellement propre et fiable. Ils ont utilisé un système spécialisé de faisceau d’ions pour préparer des faisceaux de nanoclusters de platine dont le nombre d’atomes était précisément sélectionné : 19, 30, 41, 55 ou 70 atomes. Ces agrégats « à taille sélectionnée » ont ensuite été déposés en douceur sur des grilles pour microscope électronique à très faible énergie afin qu’ils adhèrent sans se désassembler ni se réarranger. Cette préparation soignée a produit des images STEM de haute fidélité où le nombre d’atomes de chaque agrégat était connu à l’avance. Un tel jeu de données, débarrassé de nombreuses ambiguïtés habituelles, a fourni un terrain d’entraînement idéal pour un système d’apprentissage profond capable d’apprendre les indices visuels subtils liés à l’atomicité plutôt qu’à la simple taille brute.

Apprendre à un réseau neuronal à compter les atomes

L’équipe a conçu un réseau de neurones convolutionnel compact, un type de modèle d’apprentissage profond performant pour la reconnaissance de motifs dans les images. Chaque nanocluster de platine a été recadré en une petite image et présenté au réseau, qui a appris à l’assigner à l’une des cinq valeurs atomiques connues. Deux versions du modèle ont été comparées. L’une utilisait les images STEM brutes comme canal d’entrée unique. L’autre ajoutait un second canal qui faisait passer les mêmes images par un filtre de normalisation locale du contraste, mettant en évidence les contours et les variations locales. Malgré le chevauchement des diamètres, les deux modèles distinguaient bien mieux les cinq atomicités que la seule taille, et la version à double canal a atteint un coefficient de détermination proche de 0,94 lorsqu’on estimait les proportions globales de classes, ce qui signifie que ses prédictions correspondaient presque aux mesures physiques indépendantes du nombre d’agrégats déposés pour chaque taille.

Rendre visible le raisonnement de la machine

Au-delà de la simple précision, les auteurs ont voulu comprendre ce à quoi le modèle prêtait réellement attention. Ils ont utilisé une méthode de visualisation qui met en évidence les régions de l’image les plus responsables de chaque décision, produisant des cartes thermiques sur les agrégats. Ces cartes ont révélé que le réseau se focalise différemment sur les régions centrales et périphériques selon la taille de l’agrégat, et que les canaux brut et normalisé en contraste se complètent. Pour les plus petits agrégats, les images brutes guidaient surtout les décisions via le centre lumineux, tandis que le canal filtré étendait l’attention vers le contour extérieur. Pour les plus grands, cet équilibre s’inversait. Ils ont aussi projeté les descriptions numériques internes du modèle pour chaque particule en deux dimensions, montrant des îlots distincts et codés par couleur correspondant aux différents nombres d’atomes. Après une brève étape de réglage fin sur de nouvelles images prises dans d’autres conditions microscopiques, ces îlots sont devenus plus nets et mieux séparés, reflétant l’amélioration de la performance de classification retrouvée.

S’adapter aux conditions d’imagerie changeantes

Les expériences réelles ont rarement lieu dans des conditions parfaitement stables : textures de fond, bruit et mise au point peuvent dériver d’une session à l’autre. Les auteurs ont montré que ces variations peuvent perturber un modèle entraîné dans un jeu de conditions donné, le poussant à favoriser la mauvaise classe. Pour corriger cela sans reprendre un entraînement exhaustif, ils ont introduit une étape d’adaptation léger. Un petit sous-ensemble d’agrégats dont les diamètres se situent dans des plages clairement séparées — où le nombre d’atomes probable est connu avec haute confiance — est utilisé pour mettre à jour en douceur le modèle pour chaque nouvelle image. Ce réglage, qui peut s’exécuter en quelques secondes, ramène les grappes de caractéristiques dans l’espace interne du modèle en alignement et rétablit des prédictions précises, même pour des échantillons mixtes où plusieurs tailles d’agrégats coexistent sur la même grille.

Ce que cela implique pour les catalyseurs futurs

Pour un non-spécialiste, le résultat clé est que les auteurs ont transformé des images à résolution atomique brutes en un outil fiable et explicable pour compter les atomes dans des nanoclusters de platine individuels, même lorsque de simples mesures de taille échouent. En combinant une préparation d’échantillons précise et un apprentissage profond interprétable, ils montrent que les machines peuvent extraire et visualiser automatiquement des détails structurels pertinents pour la performance catalytique. Cette capacité pourrait être intégrée directement aux microscopes, fournissant un retour en temps réel pendant les expériences et guidant la conception de catalyseurs qui utilisent le platine précieux de manière plus parcimonieuse et efficace. La même stratégie devrait être extensible à d’autres métaux et alliages, aidant les scientifiques des matériaux à relier structure à l’échelle nanométrique et fonction d’une manière plus pilotée par les données et sobre en ressources.

Citation: 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

Mots-clés: nanoclusters de platine, microscopie électronique, apprentissage profond, conception de catalyseurs, informatique des matériaux