畳み込み変分オートエンコーダを用いた原子分解能顕微鏡画像の教師なし欠陥クラスタリング

結晶中の小さな欠陥が重要な理由

現代の電子機器、太陽電池、センサーは、原子スケールで完璧に整列しているように見える材料に依存しています。実際には、どんな結晶にも小さな欠陥――欠落した原子、余分な原子、あるいはパターンのわずかなずれ――が散在しており、それがデバイスの効率を高めることもあれば、性能を静かに損なうこともあります。本稿の論文は、高解像度顕微鏡画像の中で、人工知能に人手でラベル付けしたり専門家が調整したりすることなく自動的にこうした欠陥を検出させる手法を提案しており、より迅速で偏りの少ない材料探索への道を開きます。

コンピュータに「完全」を学ばせる

研究者たちは単純な発想から出発します。あらゆる欠陥を教えるのではなく、まず完全な結晶がどのように見えるかだけを教える、というものです。強力な電子顕微鏡の原子分解能画像を用いると、明るい点が原子の列に対応します。畳み込み変分オートエンコーダと呼ばれる特殊なニューラルネットワークを、欠陥がないと考えられる領域で学習させます。時間とともにこのネットワークは結晶の規則的な反復パターンを習得し、理想的で乱れていない格子がどのように見えるかを非常によく再構成できるようになります。

差分を欠陥の地図に変える

ネットワークが理想的なパターンを学習したら、新しい顕微鏡パッチを順に入力します。モデルはそのパッチの欠陥のない最良の推定を出力します。実際の画像からこの推定を差し引くことで、学習されたパターンに合わない部分――余分な原子、欠落した原子の束、積層のずれなど――だけを浮かび上がらせる「差分」画像が得られます。さらにノイズやエッジアーティファクトを除去するフィルタリングを施すことで、ウィンドウの切り方による影響ではなく、実際の構造的な異常に焦点を当てたクリーンな信号が残ります。実質的にこのシステムは「あり得るすべての欠陥を学ぶ」問題を「正常でないものを見つける」問題に言い換えています。

生の画像から意味のある群へ

これらの欠陥を有用なカテゴリに分類するため、チームは各パッチを47個の単純な数値記述子の集合に変換します。これらは平均輝度、強度分布の偏り、鋭い特徴の数、空間におけるパターンの繰り返し方などを表します。続いてこの一覧を三段階で剪定します――ほとんど同じ振る舞いをする冗長な記述子の削除、画像を明確な群に分けられない記述子の破棄、ほとんど変動しない記述子の除外です。この短縮により、ノイズと計算量を減らしつつ、実際の構造差をより良く捉える情報量の多い特徴群が残ります。

欠陥の種類をデータに決めさせる

洗練された特徴を得た後、著者らは標準的なクラスタリング手法を用いてデータ自身に組織化させます。まず主成分分析で特徴空間を圧縮し、最も重要な変動を残しながら次元を縮小します。次に古典的なクラスタリング手法であるk平均法を、クラスタ数と主成分数を系統的に変えながら何度も適用します。シルエットスコアと呼ばれる品質指標が、得られた群がどれだけ分離されているかを示します。可能性を総当たりで走査することで、この枠組みはクラスタの位置だけでなく、データセットを最もよく表す欠陥の種類数も事前のラベルや手動の選択なしに自動的に特定します。

二種類の結晶で手法を検証

この手法は、薄膜太陽電池に使われるテルル化カドミウムとモデル酸化物結晶であるチタン酸ストロンチウムという、よく研究された二つの材料の画像で検証されます。テルル化カドミウムのデータセットにはバルク領域、いくつかの種類の積層欠陥、特殊な転位構造、双晶境界、そして人工的に加えた余分・欠損原子が含まれます。コントラストの微妙な差や気を散らすエッジ効果があっても、枠組みはこれらのカテゴリに一致する7つの明確なクラスタを自動的に再現し、千枚以上の画像のうちごく少数の誤分類しか生じません。チタン酸ストロンチウムに適用した場合でも、いくつかの欠陥が完全な格子とわずかにしか異ならない状況であっても、同じワークフローは正しい群の数を見つけ、高い精度で画像を分類し、この手法が特定の材料に限られたものではないことを示します。

将来の材料研究にとっての意義

平たく言えば、この研究はコンピュータが最小限の人手で顕微鏡画像中の原子スケール欠陥を自ら見つけ、分類できることを示しています。結晶の正常なパターンを学習し差分に注目することで、大量の画像コレクションをふるい、異なる欠陥タイプを発見し、通常の研究室用コンピュータ上でこれを実行できます。この種の教師なし・自動の分類は、サンプル中の欠陥分布と性能との関係を迅速にマッピングするのに役立ち、次世代材料のより自律的でデータ駆動の設計・最適化の基盤を築く可能性があります。

引用: 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

キーワード: 原子欠陥, 電子顕微鏡, 教師なし学習, オートエンコーダ, 材料の特性評価