Regroupement non supervisé des défauts en microscopie à résolution atomique utilisant un autoencodeur variationnel convolutionnel

Pourquoi de petites imperfections dans les cristaux comptent

Les appareils électroniques modernes, les cellules solaires et les capteurs reposent tous sur des matériaux qui semblent parfaitement ordonnés à l'échelle atomique. En réalité, chaque cristal est parsemé de petites imperfections — atomes manquants, atomes en excès ou légers décalages dans le motif — qui peuvent rendre un dispositif plus efficace ou, au contraire, en dégrader discrètement les performances. L'article résumé ici présente une méthode permettant à l'intelligence artificielle de repérer automatiquement ces défauts dans des images de microscopie à haute résolution, sans étiquetage humain ni réglages experts, ouvrant la voie à une découverte de matériaux plus rapide et moins biaisée.

Laisser l'ordinateur apprendre à quoi ressemble le « parfait »

Les chercheurs partent d'une idée simple : au lieu d'enseigner à l'ordinateur tous les types possibles de défauts, lui apprendre uniquement à quoi ressemble un cristal parfait. Ils utilisent des images à résolution atomique issues d'un puissant microscope électronique, où chaque point lumineux correspond à une colonne d'atomes. Un type particulier de réseau neuronal, appelé autoencodeur variationnel convolutionnel, est entraîné sur des régions de l'image supposées sans défaut. Au fil du temps, ce réseau apprend le motif régulier et périodique du cristal et devient très habile à reconstruire à quoi devrait ressembler un réseau idéal, non perturbé.

Transformer les différences en une carte des défauts

Une fois que le réseau a appris le motif idéal, chaque nouvelle fenêtre de l'image est passée dans le modèle. Celui-ci produit sa meilleure estimation d'une version sans défaut de cette fenêtre. En soustrayant cette estimation de l'image réelle, la méthode génère une image de « différence » qui met en évidence uniquement ce qui ne correspond pas au motif appris — par exemple un atome en plus, une paire d'atomes manquante ou un décalage d'empilement. Une étape de filtrage supplémentaire élimine le bruit aléatoire et les artefacts de bord, ne conservant qu'un signal net focalisé sur les anomalies structurelles réelles plutôt que sur la façon dont la fenêtre d'image a été découpée. En pratique, le système reformule le problème de « apprendre tous les défauts possibles » à « trouver tout ce qui n'est pas normal ».

Des images brutes à des groupes signifiants

Pour classer ces défauts en catégories utiles, l'équipe convertit chaque fenêtre en un ensemble de 47 descripteurs numériques simples. Ceux-ci décrivent, entre autres, la luminosité moyenne de la fenêtre, l'asymétrie de sa distribution d'intensité, le nombre de caractéristiques nettes qu'elle contient et la répétition spatiale de ses motifs. Ils réduisent ensuite cette liste en trois étapes : suppression des descripteurs redondants qui se comportent presque identiquement, élimination de ceux qui n'aident pas à séparer les images en groupes distincts, et filtrage de ceux qui varient très peu. Cette sélection laisse un jeu de caractéristiques plus compact et informatif, qui capture mieux les différences structurelles réelles tout en réduisant le bruit et le coût de calcul.

Laisser les données décider combien de types de défauts existent

Avec ces caractéristiques raffinées en main, les auteurs utilisent des outils de regroupement classiques pour laisser les données s'organiser elles-mêmes. Ils compressent d'abord l'espace des caractéristiques à l'aide de l'analyse en composantes principales, qui conserve les variations les plus importantes tout en réduisant le nombre de dimensions. Ils appliquent ensuite une méthode de clustering classique, k‑means, de nombreuses fois en faisant varier systématiquement à la fois le nombre de clusters et le nombre de composantes principales. Une mesure de qualité appelée score de silhouette indique à quel point les groupes obtenus sont bien séparés. En balayant ces possibilités, le cadre identifie automatiquement non seulement l'emplacement des clusters mais aussi le nombre de types de défauts qui décrivent le mieux le jeu de données — sans labels préalables ni choix manuels.

Validation de l'approche sur deux cristaux différents

La méthode est testée sur des images de deux matériaux bien étudiés : le tellurure de cadmium, utilisé dans les cellules solaires à couche mince, et le titanate de strontium, un oxyde cristallin modèle. Pour le tellurure de cadmium, l'ensemble de données comprend des régions de volume, plusieurs types de défauts d'empilement, des structures de dislocation particulières et des joints de symétrie (twin boundaries), ainsi que des atomes artificiellement ajoutés ou retirés. Malgré des différences subtiles de contraste et des effets de bord distrayants, le cadre récupère automatiquement sept clusters distincts correspondant à ces catégories, avec seulement quelques erreurs de classification sur plus d'un millier d'images. Appliqué au titanate de strontium, où certains défauts diffèrent seulement légèrement du réseau parfait, le même flux de travail retrouve à nouveau le bon nombre de groupes et classe les images avec une grande précision, montrant que l'approche n'est pas spécifiquement ajustée à un seul matériau.

Ce que cela signifie pour la recherche future sur les matériaux

En termes clairs, l'étude montre qu'un ordinateur peut apprendre à repérer et à regrouper des défauts à l'échelle atomique dans des images de microscopie avec un minimum d'intervention humaine. En apprenant le motif normal d'un cristal et en se concentrant sur les différences, le système peut fouiller de larges collections d'images, découvrir des types de défauts distincts et le faire sur des ordinateurs de laboratoire ordinaires. Ce type de tri automatique non supervisé pourrait aider les chercheurs à cartographier rapidement la distribution des défauts dans un échantillon et leur relation avec les performances, jetant les bases d'une conception et d'une optimisation des matériaux de nouvelle génération plus autonomes et guidées par les données.

Citation: 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

Mots-clés: défauts atomiques, microscopie électronique, apprentissage non supervisé, autoencodeurs, caractérisation des matériaux