Oövervakad defekthopning i atomupplösande mikroskopi med en konvolutionell variational autoencoder

Varför små fel i kristaller spelar roll

Modern elektronik, solceller och sensorer är beroende av material som vid atomskalan ser ut att vara perfekt ordnade. I verkligheten är varje kristall spridd med små fel — saknade atomer, extra atomer eller små skiftningar i mönstret — som kan göra en enhet mer effektiv eller tyst förstöra dess prestanda. Artikeln bakom denna sammanfattning presenterar ett sätt att låta artificiell intelligens automatiskt jaga dessa fel i högupplösta mikroskopbilder, utan mänsklig märkning eller expertinställning, vilket öppnar en väg mot snabbare och mindre partisk materialupptäckt.

Låt datorn lära sig hur “perfekt” ser ut

Forskarna utgår från en enkel idé: istället för att lära en dator varje möjlig typ av defekt, lär den enbart hur en perfekt kristall ser ut. De använder atomupplösta bilder från ett kraftfullt elektronmikroskop där varje ljus prick motsvarar en atomkolonn. En speciell typ av neuralt nätverk, kallat en konvolutionell variational autoencoder, tränas på bildregioner som antas vara fria från defekter. Med tiden lär sig nätverket det regelbundna, repetitiva mönstret i kristallen och blir mycket bra på att rekonstruera hur ett idealiskt, ostört gitter borde se ut.

Gör skillnader till en karta över fel

När nätverket väl har lärt sig det ideala mönstret matas varje ny mikroskopfläck igenom det. Modellen producerar sin bästa gissning på en felfri version av fläcken. Genom att subtrahera denna gissning från den verkliga bilden skapar metoden en "differens"bild som bara framhäver det som inte passar det inlärda mönstret — såsom en extra atom, en saknad atomdubbel (dumbbell) eller en förskjutning i staplingen. Ett vidare filtreringssteg tar bort slumpmässigt brus och kantartefakter, vilket lämnar en ren signal som fokuserar på verkliga strukturella avvikelser snarare än på hur bildfönstret var beskuret. I praktiken omformulerar systemet problemet från "lär dig alla möjliga defekter" till "hitta allt som inte är normalt".

Från råbilder till meningsfulla grupper

För att sortera dessa fel i användbara kategorier omvandlar teamet varje fläck till ett set om 47 enkla numeriska beskrivare. Dessa beskriver hur ljus fläcken är i genomsnitt, hur skev dess intensitetsfördelning är, hur många skarpa drag den innehåller och hur dess mönster upprepas i rummet, bland andra egenskaper. De kortar sedan ner listan i tre steg: tar bort redundanta beskrivare som beter sig nästan identiskt, slänger de som inte lyckas separera bilder i distinkta grupper, och filtrerar bort de som knappt varierar alls. Denna urvalsrunda lämnar en slankare, mer informativ samling funktioner som bättre fångar verkliga strukturella skillnader samtidigt som brus och beräkningskostnad minskas.

Låt datan avgöra hur många defekttyper som finns

Med dessa förfinade egenskaper i handen använder författarna standardverktyg för klustring för att låta datan organisera sig själv. De komprimerar först funktionsrymden med principal component analysis, vilket bevarar de viktigaste variationerna samtidigt som antalet dimensioner krymps. Därefter tillämpar de en klassisk klustringsmetod, k‑means, många gånger samtidigt som de systematiskt varierar både antalet kluster och antalet huvudkomponenter. Ett kvalitetsmått som kallas silhuettscore indikerar hur väl separerade de framtagna grupperna är. Genom att skanna över möjligheterna identifierar ramverket automatiskt både var klustren ligger och hur många defekttyper som bäst beskriver datasetet — utan några förhandsetiketter eller manuella val.

Verifiering av metoden på två olika kristaller

Metoden testas på bilder av två välstuderade material: kadmiumtellurid, som används i tunnfilmsolceller, och strontiumtitanat, en modelloxidkristall. I kadmiumtellurid inkluderar datasetet bulkområden, flera slags staplingsfel, speciella dislokationsstrukturer och tvillinggränser, tillsammans med konstgjort tillsatta extra och saknade atomer. Trots subtila kontrastskillnader och störande kanter återvinner ramverket automatiskt sju distinkta kluster som matchar dessa kategorier, med endast ett fåtal feltolkningar bland mer än tusen bilder. Applicerat på strontiumtitanat, där vissa defekter endast skiljer sig något från det perfekta gittret, hittar samma arbetsflöde återigen rätt antal grupper och sorterar bilder med hög noggrannhet, vilket visar att tillvägagångssättet inte är snävt anpassat till ett enda material.

Vad detta innebär för framtida materialforskning

Enkelt uttryckt visar studien att en dator kan lära sig att upptäcka och gruppera defekter i atomskala i mikroskopbilder med minimal mänsklig vägledning. Genom att lära sig det normala mönstret i en kristall och fokusera på avvikelser kan systemet sålla igenom stora bildsamlingar, upptäcka distinkta typer av fel och göra det på vanliga labbdatorer. Denna typ av oövervakad, automatisk sortering kan hjälpa forskare att snabbt kartlägga hur defekter fördelar sig i ett prov och hur de relaterar till prestanda, vilket lägger grunden för mer autonoma, datadrivna design- och optimeringsarbete för nästa generations material.

Citering: 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

Nyckelord: atomära defekter, elektronmikroskopi, oövervakat lärande, autoencoders, materialkarakterisering