Defekte im atomaren Maßstab bestimmen viele funktionelle Eigenschaften von Materialien, doch deren systematische Identifikation und Quantifizierung bleibt eine Herausforderung, da überwachte Lernmethoden umfangreiche beschriftete Datensätze benötigen, die in der atomaren Auflösungsmikroskopie aufgrund der Komplexität und Vielfalt der Defektstrukturen selten sind. Um diese Einschränkung zu überwinden, stellen wir ein vollständig unbeaufsichtigtes maschinelles Lernframework vor, das in der Lage ist, Defektstrukturen ohne vorherige Beschriftung oder vorgegebene Defektklassen zu entdecken und zu clustern. Das Framework verwendet einen konvolutionalen Variational Autoencoder (CVAE), um ideale, defektfreie Bilder zu rekonstruieren, wodurch Differenzbilder erzeugt werden können, die lokale strukturelle Anomalien isolieren. Aus diesen werden 47 Merkmale extrahiert und durch einen dreistufigen Merkmalsauswahlprozess verfeinert, um Redundanz und Rauschen zu minimieren. Eine Dimensionsreduktion mittels Hauptkomponentenanalyse (PCA) kombiniert mit Silhouettenwertoptimierung führt zur Bestimmung der optimalen Clusteranzahl vor der Anwendung von k-means-Clustering, das gut getrennte Gruppen entsprechend unterschiedlicher Defekttypen liefert. Validiert an CdTe- und SrTiO3-Datensätzen ermöglicht dieser unbeaufsichtigte, labels-freie Ansatz eine Hochdurchsatz-Entdeckung und -Clusterung von Defekten in der abtastenden Transmissions-Elektronenmikroskopie (STEM) und verwandten Bildgebungsverfahren.
Ayyubi et al. (Tue,) untersuchten diese Fragestellung.