STEM画像における白金ナノクラスターの原子数分類のための解釈可能なディープラーニング

なぜ微小な金属クラスターが重要なのか

白金は燃料電池や電解槽などのクリーンエネルギー技術で広く使われる基幹金属ですが、希少かつ高価です。極めて小さなスケールでは、白金クラスターから1個の原子を加えたり取り除いたりするだけで、化学反応の触媒性能が劇的に変わり得ます。限られた原子を有効活用するには、顕微鏡画像から各ナノサイズの塊に何個の原子が含まれているかを直接、信頼性高く数えられる手法が必要です。本論文は、慎重に設計された人工知能が電子顕微鏡画像からその原子数を学習して推定でき、さらに何を見ているかを説明できることを示し、より賢く効率的な触媒設計への道を拓きます。

電子顕微鏡で原子を見る

現代の走査透過型電子顕微鏡（STEM）は個々の原子を撮像でき、金属ナノクラスターが支持体上にどう乗っているかを明らかにします。理論上はこれにより各クラスターの原子数を読み取れるはずです。しかし実際には困難が多い。画像におけるクラスターの明るさや形は、単に大きさだけでなく、配向、電子ビームの通り方、計測器のノイズや微妙なコントラスト変化にも依存します。従来の解析法は見かけ上の直径を測り、直径が大きければ原子数も多いと仮定することに頼ってきました。しかし数十個から約70個程度の白金クラスターではサイズ分布が強く重なり、単純な直径だけでは異なる原子数のクラスターがほとんど同じに見えるため、このアプローチは信頼できません。

信頼できる画像ライブラリの構築

この問題に対処するため、著者らはまず異例にクリーンで信頼性の高いデータセットを構築しました。特殊なイオンビーム装置を用いて、原子数が正確に選別された白金クラスター（19、30、41、55、70個）を準備しました。こうした“サイズ選別”されたクラスターは、分解や再配列を起こさないよう非常に低エネルギーで電子顕微鏡用グリッド上にやさしく着地させられました。この慎重な試料作製により、各クラスターの原子数が事前に分かっている高忠実度のSTEM画像が得られました。多くの通常の曖昧さが取り除かれたこのデータセットは、粗いサイズ指標ではなく原子数に対応する微妙な視覚手がかりを学習するディープラーニングの理想的な訓練基盤となりました。

ニューラルネットワークに原子数を教える

研究チームは、画像中のパターン識別に優れる畳み込みニューラルネットワーク（CNN）を小型化して設計しました。各白金クラスターは小さな画像パッチに切り出され、ネットワークに入力され、5つの既知の原子数クラスのいずれかに割り当てることを学習しました。モデルは2種類を比較しました。1つは生のSTEM画像を単一チャネルで使う方式、もう1つは同じ画像に局所コントラスト正規化フィルタを通した第2チャネルを追加し、エッジや局所的な変動を強調する方式です。クラスターの直径が重なり合っているにもかかわらず、両モデルは単純なサイズのみよりも5つの原子数をはるかによく識別し、二チャネル版は全体のクラス比率を推定する際に決定係数で約0.94に達しました。これはモデルの予測が、実際に堆積された各サイズの物理的測定とほぼ一致していることを意味します。

機械の判断の可視化

単なる精度にとどまらず、著者らはモデルが実際に何に注目しているかを理解しようとしました。決定に最も寄与する画像領域を強調する可視化手法を用いてクラスター上にヒートマップを生成しました。これらのマップから、ネットワークはクラスターのサイズに応じて中心部と端部を異なるように重視し、生画像チャネルとコントラスト正規化チャネルが互いに補完し合っていることが明らかになりました。小さなクラスターでは生画像が明るい中心を通じて判断を主導し、フィルタ処理チャネルは外縁の輪郭に注意を広げますが、最大のクラスターではそのバランスが逆転しました。さらにモデル内部で各粒子を数値的に表現した特徴を二次元に射影すると、異なる原子数に対応する色分けされた別個の“島”が現れました。別の顕微鏡条件下の新しい画像で短時間の微調整を行うと、これらの島はより明確に分離し、分類性能の回復が反映されました。

変化する撮像条件への適応

実験はめったに完全に安定した条件で行われるわけではありません：背景テクスチャ、ノイズ、焦点などはセッションごとに変動します。著者らは、こうした変化があるとある条件で訓練されたモデルが混乱し、誤ったクラスを選びやすくなることを示しました。膨大な再訓練を行うことなくこれを修正するために、軽い適応手順を導入しました。直径が明確に分離する範囲に入るクラスターの小さなサブセット—高い確信度で原子数が推定できるもの—を使用して新しい画像ごとにモデルを穏やかに更新します。この微調整は数秒で実行でき、モデル内部空間における特徴クラスタを再び整列させ、同一グリッド上に複数サイズが混在するサンプルでも正確な予測を回復します。

将来の触媒設計に向けての意義

非専門家にとっての主な成果は、著者らが原子分解能の生画像を用いて、単純なサイズ測定が失敗する場合でも個々の白金クラスターの原子数を信頼性をもって、かつ説明可能に数えるツールへ変換したことです。精密な試料作製と解釈可能なディープラーニングを組み合わせることで、機械は触媒性能に関わる構造的詳細を自動で抽出・可視化できることが示されました。この機能は顕微鏡に直接組み込まれ、実験中のリアルタイムフィードバックを提供し、貴重な白金をより節約して効果的に使う触媒設計を導くことが可能になります。同じ戦略は他の金属や合金にも拡張でき、材料科学者がナノスケールの構造を機能に結び付ける作業をよりデータ駆動かつ資源効率的に進める助けとなるでしょう。

引用: 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

キーワード: 白金ナノクラスター, 電子顕微鏡, ディープラーニング, 触媒設計, マテリアルズインフォマティクス