Konvolüsyonlu varyasyonlu otoencoderdan yararlanılarak atom çözünürlüklü mikroskopide gözetimsiz kusur kümeleme

Kristallerdeki küçük kusurlar neden önemli

Modern elektronik, güneş pilleri ve sensörler, atom ölçeğinde kusursuz düzenlenmiş görünen malzemelere dayanır. Gerçekte ise her kristal, eksik atomlar, fazladan atomlar veya desendeki küçük kaymalar gibi ince kusurlarla doludur—bunlar bir cihazın verimini artırabilir veya performansını sessizce düşürebilir. Bu özetin temelini oluşturan makale, yüksek çözünürlüklü mikroskop görüntülerinde insan işaretlemesi veya uzman ayarı olmadan yapay zekanın bu kusurları otomatik olarak saptamasına imkân veren bir yöntemi sunuyor; bu da malzeme keşfini daha hızlı ve daha az önyargılı hale getirebilir.

Bilgisayarın “mükemmeli” öğrenmesine izin vermek

Araştırmacılar basit bir fikirle başlıyor: bilgisayara her olası kusuru öğretmek yerine ona yalnızca kusursuz bir kristalin nasıl göründüğünü öğretin. Her parlak noktanın bir atom sütununa karşılık geldiği güçlü bir elektron mikroskobundan alınan atom çözünürlüklü görüntüler kullanılıyor. Konvolüsyonlu varyasyonlu bir otoencoder adı verilen özel bir sinir ağı türü, kusursuz olduğuna inanılan görüntü bölgeleri üzerinde eğitiliyor. Zaman içinde bu ağ kristalin düzenli, tekrarlayan desenini öğreniyor ve ideal, bozulmamış bir örgünün nasıl görünmesi gerektiğini oldukça iyi yeniden üretir hale geliyor.

Farkları kusur haritasına dönüştürmek

Ağ ideal deseni öğrendikten sonra her yeni mikroskop yaması ona veriliyor. Model, o yamanın kusursuz versiyonuna ilişkin en iyi tahminini üretiyor. Bu tahmini gerçek görüntüden çıkartarak yöntem, öğrenilen desene uymayanları—örneğin fazladan bir atomu, eksik bir atomik çiftçik (dumbbell) veya istiflenmede bir kaymayı—öne çıkaran bir “fark” resmi oluşturur. İleri bir filtreleme adımı rastgele gürültü ve kenar artefaktlarını gideriyor, böylece geriye görüntü penceresinin kesilme şekline bağlı olmayan, gerçek yapısal tuhaflıklara odaklanan temiz bir sinyal kalıyor. Özünde sistem problemi “tüm olası kusurları öğren” yerine “normal olana uymayan her şeyi bul” olarak yeniden ifade ediyor.

Ham görüntülerden anlamlı gruplara

Bu kusurları faydalı kategorilere ayırmak için ekip her yamanın 47 basit sayısal betimleyiciye dönüştürülmesini sağlıyor. Bunlar yamanın ortalama parlaklığını, yoğunluk dağılımının ne kadar tek taraflı olduğunu, kaç keskin özelliğe sahip olduğunu ve desenlerin uzayda nasıl tekrar ettiğini gibi özellikleri tanımlıyor. Ardından bu listeyi üç aşamada buduyorlar: neredeyse aynı davranan fazlalık betimleyicileri kaldırmak, görüntüleri farklı gruplara ayırmada başarısız olanları elden çıkarmak ve neredeyse hiç değişmeyenleri filtrelemek. Bu eleme işlemi, gürültüyü ve hesaplamayı azaltırken gerçek yapısal farklılıkları daha iyi yakalayan daha yalın, daha bilgilendirici bir özellik kümesi bırakıyor.

Kaç tür kusurun varlığına verinin karar vermesine izin vermek

Bu rafine edilmiş özelliklerle yazarlar, verinin kendi kendini düzenlemesine izin vermek için standart kümeleme araçlarını kullanıyor. Önce boyut sayısını küçültürken en önemli değişimleri koruyan ana bileşen analiziyle özellik uzayını sıkıştırıyorlar. Ardından klasik bir kümeleme yöntemi olan k‑means’i, küme sayısını ve ana bileşen sayısını sistematik olarak değiştirerek çok kez uyguluyorlar. Siluet skoru adlı bir kalite ölçütü ortaya çıkan grupların ne kadar iyi ayrıldığını gösteriyor. Olasılıklar taranarak çerçeve, yalnızca kümelerin yerini değil aynı zamanda veri kümesini en iyi tanımlayan kaç kusur türü olduğunu da herhangi bir ön etiket veya manuel seçim olmadan otomatik biçimde belirliyor.

İki farklı kristalde yöntemin doğrulanması

Yöntem, iyi çalışılmış iki malzemenin görüntüleri üzerinde test ediliyor: ince film güneş pillerinde kullanılan kadmiyum tellürür ve model bir oksit kristali olan stronsiyum titanat. Kadmiyum tellürürde veri kümesi, hacim bölgelerini, çeşitli türlerde istif hatalarını, özel dislokasyon yapılarını ve ikiz sınırlarını içeriyor; ayrıca yapay olarak eklenmiş fazla ve eksik atomlar da bulunuyor. Kontrasttaki ince farklılıklara ve dikkat dağıtan kenar etkilerine rağmen çerçeve bu kategorilerle eşleşen yedi ayrı küme otomatik olarak geri kazanıyor; binin üzerinde görüntüden yalnızca birkaç yanlış sınıflama çıkıyor. Kusurların bazıları kusursuz örgüden yalnızca hafifçe farklı olan stronsiyum titanat üzerinde aynı iş akışı tekrar doğru küme sayısını buluyor ve görüntüleri yüksek doğrulukla ayırıyor; bu da yöntemin tek bir malzemeye dar şekilde ayarlı olmadığını gösteriyor.

Bu çalışmanın gelecek malzeme araştırmaları için anlamı

Basitçe söylemek gerekirse çalışma, bir bilgisayarın minimum insan yönlendirmesiyle mikroskop görüntülerinde atom ölçeğindeki kusurları kendisinin öğrenip gruplayabileceğini gösteriyor. Kristalin normal desenini öğrenip farklara odaklanarak sistem büyük görüntü koleksiyonlarını eler, farklı kusur türlerini keşfeder ve bunu sıradan laboratuvar bilgisayarlarında yapabilir. Bu tür gözetimsiz, otomatik ayırma, araştırmacıların bir örnekte kusurların nasıl dağıldığını ve performansla nasıl ilişkili olduğunu hızla haritalamasına yardımcı olabilir; bu da bir sonraki nesil malzemelerin daha otonom, veri odaklı tasarımı ve optimizasyonu için zemin hazırlar.

Atıf: 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

Anahtar kelimeler: atomik kusurlar, elektron mikroskobu, gözetimsiz öğrenme, otoencoderler, malzeme karakterizasyonu