Clustering non supervisionato dei difetti in microscopia a risoluzione atomica mediante un autoencoder variazionale convoluzionale

Perché anche piccole imperfezioni nei cristalli contano

Elettronica moderna, celle solari e sensori dipendono tutti da materiali che appaiono perfettamente ordinati su scala atomica. In realtà ogni cristallo è punteggiato da piccole imperfezioni — atomi mancanti, atomi in eccesso o piccole deviazioni nel reticolo — che possono rendere un dispositivo più efficiente o comprometterne silenziosamente le prestazioni. L’articolo riassunto qui propone un metodo che permette all’intelligenza artificiale di cercare automaticamente questi difetti in immagini microscopiche ad alta risoluzione, senza etichettatura umana o messa a punto esperta, aprendo la strada a una scoperta dei materiali più rapida e meno soggetta a bias.

Far imparare al computer come appare il “perfetto”

I ricercatori partono da un’idea semplice: invece di insegnare al computer ogni possibile tipo di difetto, insegnargli solo come appare un cristallo perfetto. Usano immagini a risoluzione atomica ottenute con un potente microscopio elettronico, dove ogni punto luminoso corrisponde a una colonna di atomi. Un tipo speciale di rete neurale, chiamata autoencoder variazionale convoluzionale, viene addestrata su regioni dell’immagine ritenute prive di difetti. Con il tempo questa rete apprende il motivo regolare e ripetuto del cristallo e diventa molto brava a ricostruire come dovrebbe apparire un reticolo ideale e indisturbato.

Trasformare le differenze in una mappa dei difetti

Una volta che la rete ha appreso il motivo ideale, ogni nuova porzione di immagine viene elaborata. Il modello produce la sua migliore ipotesi di versione senza difetti di quella porzione. Sottraendo questa ipotesi dall’immagine reale si ottiene un’immagine di “differenza” che evidenzia solo ciò che non corrisponde al motivo appreso — per esempio un atomo in più, una coppia di atomi mancante, o uno spostamento nello impilamento. Un ulteriore passaggio di filtraggio rimuove rumore casuale e artefatti ai bordi, lasciando un segnale pulito che si concentra sulle reali anomalie strutturali piuttosto che sul modo in cui la finestra d’immagine è stata ritagliata. In pratica, il sistema riformula il problema da “imparare tutti i possibili difetti” a “trovare qualsiasi cosa non normale”.

Dalle immagini grezze a gruppi significativi

Per raggruppare questi difetti in categorie utili, il team converte ogni porzione d’immagine in un insieme di 47 descrittori numerici semplici. Questi descrivono quanto è luminosa la porzione in media, quanto è asimmetrica la distribuzione d’intensità, quante caratteristiche nette contiene e come i suoi motivi si ripetono nello spazio, tra gli altri tratti. Poi riducono questa lista in tre fasi: rimuovono descrittori ridondanti che si comportano in modo quasi identico, scartano quelli che non separano le immagini in gruppi distinti e filtrano quelli che variano pochissimo. Questa scrematura produce una raccolta più snella e informativa di caratteristiche che cattura meglio le differenze strutturali reali riducendo rumore e costi computazionali.

Lasciare che siano i dati a decidere quanti tipi di difetto esistono

Con questi tratti raffinati in mano, gli autori usano strumenti di clustering standard per lasciare che i dati si organizzino da soli. Comprimono prima lo spazio delle caratteristiche tramite analisi delle componenti principali, che conserva le variazioni più importanti riducendo il numero di dimensioni. Poi applicano un metodo classico di clustering, k‑means, molte volte variando sistematicamente sia il numero di cluster sia il numero di componenti principali. Una misura di qualità chiamata silhouette score indica quanto sono ben separati i gruppi risultanti. Scansionando le possibilità, il framework identifica automaticamente non solo dove si trovano i cluster ma anche quanti tipi di difetto descrivono al meglio il dataset — senza etichette preliminari o scelte manuali.

Dimostrare l’approccio su due cristalli diversi

Il metodo è stato testato su immagini di due materiali ben studiati: tellururo di cadmio, usato nelle celle solari a film sottile, e titanito di stronzio, un cristallo ossido modello. Nel tellururo di cadmio il dataset comprende regioni di bulk, diversi tipi di difetti di impilamento, strutture dislocative particolari e confini gemelli, insieme ad atomi aggiunti o mancanti introdotti artificialmente. Nonostante sottili differenze di contrasto e fastidiosi effetti di bordo, il framework recupera automaticamente sette cluster distinti che corrispondono a queste categorie, con solo una manciata di errori su più di mille immagini. Applicato al titanito di stronzio, dove alcuni difetti differiscono solo leggermente dal reticolo perfetto, lo stesso flusso di lavoro individua ancora il numero corretto di gruppi e classifica le immagini con alta accuratezza, dimostrando che l’approccio non è tarato in modo ristretto su un singolo materiale.

Cosa significa questo per la ricerca sui materiali futura

In termini semplici, lo studio mostra che un computer può insegnarsi a individuare e raggruppare difetti su scala atomica in immagini microscopiche con minima supervisione umana. Imparando il motivo normale di un cristallo e concentrandosi sulle differenze, il sistema può setacciare grandi collezioni di immagini, scoprire tipi distinti di imperfezioni e farlo su normali computer da laboratorio. Questo tipo di classificazione non supervisionata e automatica potrebbe aiutare i ricercatori a mappare rapidamente come i difetti sono distribuiti in un campione e come si correlano con le prestazioni, ponendo le basi per una progettazione e un’ottimizzazione dei materiali di nuova generazione più autonoma e guidata dai dati.

Citazione: 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

Parole chiave: difetti atomici, microscopia elettronica, apprendimento non supervisionato, autoencoder, caratterizzazione dei materiali