用于STEM图像中铂纳米团簇原子性分类的可解释深度学习方法

《npj Computational Materials》：Interpretable deep learning for atomicity classification of platinum nanoclusters in STEM images

　　

摘要

直接通过成像技术确定金属纳米团簇中原子数量，对于理解原子结构如何影响其尺寸相关的性质至关重要。扫描透射电子显微镜能够以可调节的放大倍率获取材料在原子尺度上的实空间图像，为研究这类结构提供了极为有效的手段。然而，尽管有这些优势，要自动且准确地识别纳米团簇的原子构成依然具有挑战性，需要从成像数据中有效提取出投影形状和对比度分布等特征。为解决这一难题，我们提出了一种深度学习框架，利用高分辨率的像差校正扫描透射电子显微镜图像对铂纳米团簇（Pt_n；n=19、30、41、55、70）进行分类。该框架通过卷积神经网络提取在UMAP空间中可分离的结构特征，并利用Grad-CAM技术可视化不同类别的特征差异。即便是在同一基底上含有多种原子类型的样本（n=19、41、70）时，该模型也能保持高准确率。为应对领域偏移问题，我们采用高置信度的伪标签进行微调，显著提升了模型性能。此外，一种结合局部对比度归一化处理的双通道模型，其决定系数可达R2=0.94±0.03，性能优于基于尺寸的分类方法。该框架实现了从扫描透射电子显微镜图像自动进行原子级分类，并通过实时分析及机器学习决策推动了自动化工作流程的发展。