למידע עמוק ניתן לפרש לסיווג אטומיות של אשכולות פלדיום בתמונות STEM

מדוע אשכולות מתכת זעירים חשובים

פלטינה היא מתכת מרכזית בטכנולוגיות אנרגיה נקיה, מתאי דלק ועד אלקטרוליזרים, אך היא נדירה ויקרה. בקנה המידה המיקרוני, הוספה או הסרה של אטום יחיד מאשכול פלטינה יכולה לשנות באופן דרמטי את היעילות שבו הוא מזרז תגובות כימיות. כדי לנצל כל אטום בתבונה, מדענים זקוקים לשיטה אמינה לספור כמה אטומים יש בכל גוש ננומטרי ישירות מתמונות מיקרוסקופ. המאמר הזה מראה כיצד צורה מתוכננת בקפידה של בינה מלאכותית יכולה ללמוד לבצע ספירה כזו מתמונות מיקרוסקופ אלקטרוני, ואף להסביר מה היא מתבוננת בו, ולסלול דרך לעיצוב קטליזטורים חכם ויעיל יותר.

לראות אטומים במיקרוסקופ אלקטרונים

מיקרוסקופים אלקטרוניים מדידים מודרניים (STEM) יכולים לדמות אטומים בודדים, ולגלות כיצד אשכולות מתכת מושבות על משטח תמיכה. בעקרון, זה אמור לאפשר לחוקרים לקרוא כמה אטומים יש בכל אשכול. בפועל, המשימה קשה יותר. הבהירות והצורה של אשכול בתמונה תלויות לא רק בגודלו, אלא גם בכיוון שבו הוא מונח, באופן שבו הקרן חוצה אותו, ובמ רעשים ושינויים עדינים בקונטרסט של המכשיר. שיטות ניתוח מסורתיות מסתמכות על מדידת הקוטר הנראה של כל חלקיק והנחת כי גדול יותר פירושו יותר אטומים. אך עבור אשכולות פלטינה המכילים כמה עשרות ועד כ־70 אטומים, התפלגויות הגדלים חופפות בחוזקה, כך שאשכולות עם ספירות אטומים שונות יכולים להיראות כמעט זהות אם מסתמכים רק על קוטר, מה שהופך גישה זו ללא מהימנה.

בניית ספריית תמונות מהימנה

כדי להתמודד עם זה, המחברים בנו תחילה מערך נתונים נקי ומהימן באופן יוצא דופן. הם השתמשו במערכת קרן יונים מיוחדת כדי להכין קרני אשכולות פלטינה שמניין האטומים בהם נבחר במדויק: 19, 30, 41, 55 או 70 אטומים. אשכולות אלה, שנבחרו לפי גודל, הונחתו בעדינות על רשתות למיקרוסקופ אלקטרונים באנרגיה מאוד נמוכה כך שידבקו ללא שבירה או הסתדרות מחדש. הכנה מדוקדקת זו ייצרה תמונות STEM בעלות נאמנות גבוהה שבהן מספר האטומים בכל אשכול היה ידוע מראש. מערך נתונים כזה, חופשי מהרבה מהעמימות הרגילות, סיפק קרקע אימון אידיאלית למערכת למידה עמוקה שיכולה ללמוד את הרמזים הוויזואליים העדינים הקשורים לאטומיות במקום להסתמך רק על גודל גס.

לימוד רשת עצבית לספירת אטומים

הצוות תכנן רשת עצבית קונבולוציונית קומפקטית, סוג של מודל למידה עמוקה המצטיין בזיהוי דפוסים בתמונות. כל אשכול פלטינה נחתך לתוך טלאי תמונה זעיר והוזן לרשת, שלמדה לשייך אותו לאחת מחמשת ספירות האטומים הידועות. הושוו שתי גרסאות של המודל. האחת השתמשה בתמונות ה־STEM הגולמיות כערוץ קלט יחיד. השנייה הוסיפה ערוץ נוסף שעבר את אותן תמונות דרך מסנן נרמול קונטרסט מקומי, המדגיש קצוות ושינויים מקומיים. למרות חפיפת הקטרים של האשכולות, שני המודלים הבחינו בחמשת רמות האטומיות טוב בהרבה מאשר גודל בלבד, וגרסת שני הערוצים השיגה מקדם קביעה הקרוב ל־0.94 בהערכת יחס המעמדות הכולל, מה שאומר שהתחזיות שלה כמעט התאימו למדידות פיזיקליות בלתי תלויות של כמה אשכולות מכל גודל הוצבו.

הפיכת ההיגיון של המכונה לגלוי

מעבר לדיוק הגולמי, המחברים רצו להבין למה המודל בעצם שוכנע. הם השתמשו בשיטת חזותית המדגישה אזורי תמונה האחראים ביותר לכל החלטה, ויצרו מפות חום מעל האשכולות. המפות חשפו שהרשת מתמקדת באופן שונה באזורי מרכז ושוליים בהתאם לגודל האשכול, וששני הערוצים — הגולמי והמנורמל בקונטרסט — משלימים זה את זה. עבור אשכולות קטנים יותר, התמונות הגולמיות הובילו בעיקר דרך המרכז הבהיר, בעוד שהערוץ המסונן הפיץ תשומת לב לכיוון הקונטור החיצוני. עבור האשכולות הגדולים ביותר, האיזון הזה התהפך. בנוסף הם הקרינו את התיאורים המספריים הפנימיים של כל חלקיק לשתי ממדים, והראו איונים מובחנים בצבעים התואמים לספירות אטומים שונות. לאחר שלב כיוונון קצר על תמונות חדשות מתנאי מיקרוסקופ שונים, האיונים הללו הפכו נקיים ומופרדים יותר, המשקפים את שיפור הביצועים בסיווג.

הסתגלות לתנאי דימות משתנים

ניסויים אמיתיים נדירים מתקיימים בתנאים יציבים לחלוטין: המרקמים ברקע, רעש ומיקוד יכולים להשתנות בין מושבים. המחברים הראו ששינויים אלה יכולים לבלבל מודל שאומן תחת סט תנאים אחד, ולגרום לו להעדיף מעמד שגוי. כדי לתקן זאת ללא אימון חוזר נרחב, הם הציגו שלב הסתגלות קל יחסית. תת‑קבוצה קטנה של אשכולות שקוטריהן נופלים בטווחים מופרדים בבירור — שבהם ספירת האטומים הסבירה ידועה בביטחון גבוה — משמשת לעדכון עדין של המודל על כל תמונה חדשה. כיוונון עדין זה, שניתן להריץ בשניות, מושך את אשכולות התכונות במרחב הפנימי של המודל חזרה ליישור ומשיב תחזיות מדויקות, גם לדגימות מעורבות שבהן מספר גדלים נמצאים על אותה רשת.

מה זה אומר לגבי קטליזטורים עתידיים

ללא רקע מיוחד, הממצא המרכזי הוא שהמחברים הפכו תמונות ברזולוציה אטומית לכלי אמין וניתן לפרש לספירת אטומים באשכולות פלטינה בודדים, אפילו כאשר מדידות גודל פשוטות נכשלות. בשילוב הכנה מדויקת של הדגימות עם למידה עמוקה שניתן לפרש, הם מראים שמכונות יכולות לחלץ ולהמחיש באופן אוטומטי פרטים מבניים שמשפיעים על ביצועי הקטליזה. יכולת זו יכולה להיות משולבת ישירות לתוך מיקרוסקופים, לספק משוב בזמן אמת במהלך ניסויים ולהנחות את עיצוב הקטליזטורים כך שינצלו את הפלטינה היקרה בצורה חסכונית ויעילה יותר. אותה אסטרטגיה אמורה להצטיין גם במתכות וסגסוגות אחרות, ולסייע למדעני חומרים לקשר בין מבנה בננו-מדרג לתפקוד בגישה מבוססת נתונים וחסכונית במשאבים.

ציטוט: 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

מילות מפתח: אשכולות ננו של פלטינה, מיקרוסקופיה אלקטרונית, למידה עמוקה, עיצוב קטליזטורים, אינפורמטיקה של חומרים