Nienadzorowane grupowanie defektów w mikroskopii o rozdzielczości atomowej przy użyciu splotowego wariacyjnego autoenkodera

Dlaczego drobne wady w kryształach mają znaczenie

Nowoczesna elektronika, ogniwa słoneczne i czujniki polegają na materiałach, które na poziomie atomowym wyglądają na idealnie uporządkowane. W rzeczywistości każdy kryształ jest posypany drobnymi niedoskonałościami — brakującymi atomami, dodatkowymi atomami lub niewielkimi przesunięciami w układzie — które mogą uczynić urządzenie bardziej wydajnym lub po cichu zniszczyć jego działanie. Artykuł będący podstawą tego streszczenia przedstawia sposób, w jaki sztuczna inteligencja może automatycznie wyszukiwać te wady na obrazach z mikroskopii o wysokiej rozdzielczości, bez ręcznego oznaczania ani dopracowywania przez ekspertów, otwierając drogę do szybszego i mniej stronniczego odkrywania materiałów.

Pozwolić komputerowi nauczyć się, jak wygląda „perfekcja”

Naukowcy wychodzą od prostej idei: zamiast uczyć komputer wszystkich możliwych rodzajów defektów, ucz go tylko, jak wygląda idealny kryształ. Wykorzystują obrazy o rozdzielczości atomowej z potężnego mikroskopu elektronowego, na których każdy jasny punkt odpowiada kolumnie atomów. Specjalny typ sieci neuronowej, nazywany splotowym wariacyjnym autoenkoderem, jest trenowany na fragmentach obrazu uznawanych za wolne od defektów. Z czasem sieć uczy się regularnego, powtarzającego się wzoru sieci i staje się bardzo dobra w rekonstruowaniu tego, jak powinna wyglądać idealna, niezakłócona sieć krystaliczna.

Przekształcanie różnic w mapę wad

Gdy sieć opanuje wzorzec idealny, każdy nowy fragment mikroskopu jest przez nią przetwarzany. Model generuje swoją najlepszą prognozę bezwzględnie nieskazitelnej wersji tego fragmentu. Poprzez odjęcie tej prognozy od rzeczywistego obrazu powstaje „obraz różnicy”, który wyraźnie uwypukla tylko to, co nie pasuje do wyuczonego wzoru — na przykład dodatkowy atom, brakujący układ par atomów czy przesunięcie warstw. Dalszy etap filtrowania usuwa losowy szum i artefakty krawędziowe, pozostawiając czysty sygnał skupiony na prawdziwych nieprawidłowościach strukturalnych, a nie na tym, jak obcięto okienko obrazu. W efekcie system zmienia problem z „naucz się wszystkich możliwych defektów” na „znajdź cokolwiek, co nie jest normalne”.

Od surowych obrazów do znaczących grup

Aby pogrupować te wady w użyteczne kategorie, zespół przekształca każdy fragment w zestaw 47 prostych opisników liczbowych. Opisują one między innymi średnią jasność fragmentu, asymetrię rozkładu intensywności, liczbę ostrych cech oraz powtarzalność wzorów w przestrzeni. Następnie lista ta jest redukowana w trzech etapach: usuwane są redundantne opisniki zachowujące się niemal identycznie, odrzucane są te, które nie potrafią rozdzielić obrazów na odrębne grupy, oraz filtrowane te, które praktycznie się nie zmieniają. Ta krótka lista pozostawia szczuplejszy, bardziej informacyjny zestaw cech, który lepiej wychwytuje rzeczywiste różnice strukturalne przy jednoczesnym zmniejszeniu szumu i nakładu obliczeniowego.

Pozwolić danym zdecydować, ile typów defektów istnieje

Z tymi ulepszonymi cechami autorzy korzystają ze standardowych narzędzi grupowania, pozwalając danym zorganizować się same. Najpierw kompresują przestrzeń cech za pomocą analizy głównych składowych (PCA), która zachowuje najważniejsze wariacje przy zmniejszeniu liczby wymiarów. Następnie wielokrotnie stosują klasyczną metodę klastrowania k‑means, systematycznie zmieniając zarówno liczbę klastrów, jak i liczbę składowych głównych. Miara jakości nazywana współczynnikiem sylwetki (silhouette score) wskazuje, jak dobrze oddzielone są uzyskane grupy. Przeskanowawszy różne możliwości, ramy automatycznie identyfikują nie tylko położenie klastrów, lecz także liczbę typów defektów najlepiej opisującą zestaw danych — bez wcześniejszych etykiet czy ręcznych decyzji.

Weryfikacja podejścia na dwóch różnych kryształach

Metodę przetestowano na obrazach dwóch dobrze poznanych materiałów: tellurku kadmu, stosowanego w ogniwach cienkowarstwowych, oraz tytanianu strontu, modelowego tlenku krystalicznego. W przypadku tellurku kadmu zestaw danych zawiera regiony objętościowe, kilka rodzajów błędów w układzie warstw (stacking faults), szczególne struktury dyslokacji i granice bliźniacze, wraz ze sztucznie dodanymi nadmiarowymi i brakującymi atomami. Pomimo subtelnych różnic w kontraście i rozpraszających efektów krawędziowych, ramy automatycznie odzyskują siedem odrębnych klastrów odpowiadających tym kategoriom, przy zaledwie kilku błędnych klasyfikacjach na ponad tysiąc obrazów. Zastosowane do tytanianu strontu, gdzie niektóre defekty różnią się od idealnej sieci jedynie nieznacznie, to samo podejście ponownie znajduje poprawną liczbę grup i sortuje obrazy z wysoką dokładnością, pokazując, że metoda nie jest wąsko dopasowana do jednego materiału.

Co to oznacza dla przyszłych badań nad materiałami

Mówiąc prosto, badanie pokazuje, że komputer może samodzielnie nauczyć się wykrywać i grupować defekty na poziomie atomowym na obrazach mikroskopowych przy minimalnym udziale człowieka. Ucząc się normalnego wzorca kryształu i skupiając się na różnicach, system może przesiać duże zbiory obrazów, odkrywać odrębne typy wad i robić to na zwykłych komputerach laboratoryjnych. Tego rodzaju nienadzorowane, automatyczne sortowanie mogłoby pomóc badaczom szybko mapować rozkład defektów w próbce i ich związki z wydajnością, kładąc podwaliny pod bardziej autonomiczne, oparte na danych projektowanie i optymalizację materiałów następnej generacji.

Cytowanie: 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

Słowa kluczowe: defekty atomowe, mikroskopia elektronowa, uczenie nienadzorowane, autoenkodery, charakteryzacja materiałów