परमाणु-स्तरीय दोष सामग्री की कई कार्यात्मक विशेषताएं नियंत्रित करते हैं, फिर भी उनकी व्यवस्थित पहचान और मात्रात्मक विश्लेषण चुनौतीपूर्ण बना हुआ है क्योंकि सुपरवाइज्ड लर्निंग विधियां व्यापक लेबल वाले डेटासेट्स की मांग करती हैं, जो कि परमाणु-रिज़ॉल्यूशन माइक्रोस्कोपी में दोष संरचनाओं की जटिलता और विविधता के कारण दुर्लभ हैं। इस सीमा को पार करने के लिए, हमने एक पूर्ण असुपरवाइज्ड मशीन लर्निंग फ्रेमवर्क प्रस्तुत किया है जो दोष संरचनाओं की पूर्व लेबलिंग या पूर्वनिर्धारित दोष वर्गों के बिना खोज और क्लस्टरिंग कर सकता है। यह फ्रेमवर्क एक कॉन्वोल्यूशनल वैरिएशनल ऑटोएन्कोडर (CVAE) का उपयोग करता है जो आदर्श, दोष-मुक्त छवियों का पुनर्निर्माण करता है, जिससे स्थानीय संरचनात्मक विसंगतियों को अलग करने वाली भिन्न छवियाँ उत्पन्न होती हैं। इनसे 47 विशेषताएं निकाली जाती हैं और तीन-स्तरीय विशेषता चयन प्रक्रिया के माध्यम से परिष्कृत की जाती हैं ताकि पुनरावृत्ति और शोर कम किया जा सके। प्रिंसिपल कंपोनेंट एनालिसिस (PCA) के माध्यम से आयामी कमी, सिल्हूट स्कोर अनुकूलन के साथ संयोजित, k-मीन्स क्लस्टरिंग लागू करने से पहले इष्टतम क्लस्टर संख्या निर्धारित करने में सहायक होता है, जो अलग-अलग दोष प्रकारों के अनुरूप अच्छी तरह से अलग-अलग समूह प्रदान करता है। CdTe और SrTiO3 डेटासेट्स पर सत्यापित, यह असुपरवाइज्ड, लेबल-रहित विधि स्कैनिंग ट्रांसमिशन इलेक्ट्रॉन माइक्रोस्कोपी (STEM) और संबंधित इमेजिंग तकनीकों में उच्च-थ्रूपुट दोष खोज और क्लस्टरिंग सक्षम बनाती है।
Ayyubi et al. (Tue,) ने इस प्रश्न का अध्ययन किया।