Объяснимое глубокое обучение для классификации атомности платиновых нанокластеров на изображениях STEM

Почему маленькие металлические кластеры важны

Платина — один из ключевых металлов в технологиях чистой энергии: от топливных элементов до электролизёров, но она редка и дорога. На самых маленьких масштабах добавление или удаление всего одного атома из платинового кластера может кардинально изменить его каталитическую активность. Чтобы эффективно использовать каждый атом, учёным нужен надёжный способ определить, сколько атомов находится в каждом нанокластере непосредственно по изображениям микроскопа. В этой работе показано, как тщательно спроектированная форма искусственного интеллекта может научиться выполнять такой подсчёт по изображениям электронного микроскопа и даже объяснять, на что она опирается, прокладывая путь к более умному и эффективному проектированию катализаторов.

Видеть атомы в электронном микроскопе

Современные сканирующие просвечивающие электронные микроскопы (STEM) могут визуализировать отдельные атомы, раскрывая, как металлические нанокластеры размещаются на подложке. В принципе это должно позволять исследователям определить, сколько атомов в каждом кластере. На практике задача гораздо сложнее. Яркость и форма кластера на изображении зависят не только от его размера, но и от ориентации, того, как через него проходит пучок электрона, а также от шума и тонких изменений контраста в приборе. Традиционные методы анализа опираются на измерение видимого диаметра каждой частицы и предполагают, что больший диаметр означает больше атомов. Но для платиновых кластеров, содержащих от нескольких десятков до примерно семидесяти атомов, распределения по диаметру сильно перекрываются, поэтому кластеры с разным числом атомов могут выглядеть почти одинаково по простой метрике диаметра, что делает этот подход ненадёжным.

Создание надёжной библиотеки изображений

Для решения этой проблемы авторы сначала собрали необычно чистый и доверенный набор данных. Они использовали специализированную систему с ионным пучком, чтобы подготовить пучки платиновых кластеров с точно отобранным числом атомов: 19, 30, 41, 55 или 70 атомов. Эти «отборные по размеру» кластеры затем аккуратно осаждали на сетки для электронного микроскопа при очень низкой энергии, чтобы они прилипали, не разрушаясь и не реорганизуясь. Такая тщательная подготовка дала высококачественные STEM-изображения, где число атомов в каждом кластере было заранее известно. Набор данных, свободный от многих обычных неоднозначностей, стал идеальной тренировочной базой для системы глубокого обучения, которая могла выучить тонкие визуальные признаки, связанные с атомностью, а не только грубый размер.

Обучение нейронной сети считать атомы

Команда разработала компактную сверточную нейронную сеть — тип модели глубокого обучения, хорошо распознающий паттерны на изображениях. Каждый платиновый кластер вырезали в небольшой фрагмент изображения и подавали в сеть, которая обучалась отнести его к одному из пяти известных чисел атомов. Сравнивали две версии модели. Одна использовала необработанные STEM-изображения как один входной канал. Другая добавляла второй канал, через который те же изображения проходили фильтр локальной нормализации контраста, подчёркивающий границы и локальные вариации. Несмотря на перекрытие диаметров, обе модели различали пять значений атомности значительно лучше, чем простой анализ размера, а двойной канал показал коэффициент детерминации, близкий к 0.94 при оценке долей классов, то есть его предсказания почти совпадали с независимыми физическими измерениями того, сколько кластеров каждого размера было осаждено.

Делая машинное рассуждение видимым

Помимо чистой точности, авторов интересовало, на что именно модель обращает внимание. Они использовали метод визуализации, выделяющий области изображения, наиболее ответственные за каждое решение, создавая тепловые карты по кластерам. Эти карты показали, что сеть по-разному фокусируется на центральных и краевых областях в зависимости от размера кластера, а необработанный и контрастно-нормализованный каналы дополняют друг друга. Для меньших кластеров решения в основном определялись ярким центром на необработанных изображениях, в то время как отфильтрованный канал распределял внимание к внешнему контуру. Для крупнейших кластеров этот баланс менялся на противоположный. Они также проецировали внутренние числовые представления модели для каждой частицы в двумерное пространство, показывая отдельные цветовые «острова», соответствующие разным числам атомов. После короткой доводки на новых изображениях, снятых в других условиях микроскопа, эти острова стали чище и более раздельными, что отражало восстановление качества классификации.

Адаптация к изменяющимся условиям съёмки

Реальные эксперименты редко проходят в абсолютно стабильных условиях: фоновые текстуры, шум и фокус могут меняться от сессии к сессии. Авторы показали, что такие сдвиги могут сбить с толку модель, обученную при одних условиях, заставляя её отдавать предпочтение неверному классу. Чтобы исправить это без полного переобучения, они предложили лёгкую процедуру адаптации. Небольшой поднабор кластеров с диаметрами, попадающими в чётко раздельные диапазоны — где предполагаемое число атомов известно с высокой уверенностью — используют для аккуратного обновления модели на каждом новом изображении. Эта донастройка, занимающая секунды, подтягивает векторные скопления признаков во внутреннем пространстве модели в соответствие и восстанавливает точность предсказаний, даже для смешанных образцов, где на одной сетке сосуществуют кластеры разных размеров.

Что это значит для будущих катализаторов

Для неспециалиста ключевой вывод в том, что авторы превратили атомно-разрешённые изображения в надёжный, объяснимый инструмент для подсчёта атомов в отдельных платиновых кластерах, даже когда простые измерения размера не работают. Сочетая точную подготовку образцов с интерпретируемым глубоким обучением, они показали, что машины могут автоматически извлекать и визуализировать структурные детали, важные для каталитической эффективности. Эта возможность может быть встроена напрямую в микроскопы, обеспечивая обратную связь в реальном времени во время экспериментов и помогая проектировать катализаторы, которые используют драгоценную платину более экономно и эффективно. Та же стратегия должна распространяться на другие металлы и сплавы, помогая материаловедам связывать наноразмерную структуру с функциональностью более под управлением данных и с меньшими затратами ресурсов.

Цитирование: 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

Ключевые слова: платиновые нанокластеры, электронная микроскопия, глубокое обучение, проеќтирование катализаторов, информатика материалов