STEM-Bank-26: An Open Dataset of Analytical Scanning Transmission Electron Microscopy Images and Spectra

Nel mondo invisibile della scienza dei materiali, i ricercatori hanno bisogno di vedere cose troppo piccole per l'occhio nudo, troppo piccole per i microscopi standard e persino troppo piccole per essere facilmente colte dalla mente umana. Per studiare queste strutture minuscole, gli scienziati utilizzano uno strumento potente chiamato microscopia elettronica a scansione in trasmissione. Immaginate un fascio di elettroni, che sono particelle subatomiche, che viene sparato contro un campione così sottile da permettere agli elettroni di attraversarlo. Mentre il fascio scansiona il materiale, interagisce con gli atomi, creando un'immagine dettagliata della struttura interna del campione. Ma vedere la forma è solo metà della storia. Per comprendere veramente un materiale, gli scienziati devono anche sapere di cosa è fatto e come si comportano i suoi atomi. È qui che entra in gioco la spettroscopia. Analizzando l'energia persa dagli elettroni o i raggi X che essi emettono colpendo il campione, i ricercatori possono identificare gli elementi specifici presenti e persino determinare il loro stato chimico. Questa combinazione di imaging ad alta risoluzione e analisi chimica è essenziale per sviluppare batterie migliori, catalizzatori più efficienti e dispositivi elettronici avanzati. Tuttavia, insegnare ai computer come eseguire questi compiti complessi è stato difficile perché i dati necessari per addestrarli erano dispersi, incompleti o custoditi in archivi privati.

Un team di ricercatori dell'Università della Pennsylvania ha ora cambiato il panorama rilasciando una vasta collezione aperta di questo esatto tipo di dati. Hanno assemblato un dataset chiamato STEM-Bank-26, che contiene quasi 38.000 immagini e migliaia di misurazioni spettroscopiche raccolte in cinque anni. Questa collezione non è un semplice assortimento casuale di immagini; è un registro strutturato di come lavorano realmente gli scienziati. Il dataset include 37.921 immagini scattate da 1.095 diversi campioni di materiale attraverso 1.499 separate sessioni sperimentali. Per più di due terzi di queste sessioni, i ricercatori hanno anche catturato dati spettroscopici, fornendo un quadro completo sia della struttura fisica che della composizione chimica dei materiali. La dimensione totale di questa collezione è di 929 gigabyte, un volume di informazioni che la rende la più grande collezione di dati ad accesso aperto del suo genere che integri l'imaging con la spettroscopia a dispersione di energia e la spettroscopia di perdita di energia elettronica.

Il vero valore di questo lavoro non risiede solo nel numero elevato di file, ma nel modo in cui i ricercatori li hanno organizzati per rivelare il processo decisionale umano dietro la scienza. La microscopia elettronica non è un processo completamente automatizzato; richiede un operatore esperto che osservi un campione, decida quale area sia interessante, regoli le impostazioni del microscopio e poi scelga di raccogliere dati chimici su quel punto specifico. Questa serie di decisioni forma una "traiettoria", un percorso di azioni che porta da una visione generale a un'analisi dettagliata. Poiché queste decisioni vengono raramente registrate in un singolo file, il team ha sviluppato un metodo per ricostruire questi percorsi confrontando i metadati — i tag digitali allegati a ciascun file che registrano tempo, posizione e impostazioni. Analizzando le lacune tra le immagini, sono stati in grado di dedurre quando un operatore spostava il campione in una nuova posizione o si fermava a riflettere, trasformando efficacementmente un archivio statico di file in un registro dinamico di esplorazione scientifica.

Questa ricostruzione permette al dataset di servire come campo di addestramento per l'intelligenza artificiale. In passato, gli sforzi per costruire "scienziati artificiali" capaci di operare questi microscopi sono stati bloccati dalla mancanza di dati che mostrassero come gli umani esplorano e si adattano alle nuove informazioni. I dataset esistenti contenevano spesso solo immagini o solo spettri, mancando del cruciale legame tra i due. Questa nuova collezione colma tale divario, offrendo una visione realistica di come uno scienziato passi da un'indagine ampia di un campione a un'analisi focalizzata su una caratteristica specifica. I dati mostrano che la maggior parte delle sessioni sperimentali coinvolge tra 10 e 100 immagini, con una parte significativa che include la mappatura chimica. I campioni stessi sono diversificati, spaziando da catalizzatori eterogenei utilizzati nelle reazioni chimiche a componenti di batterie agli ioni di litio, fornendo una base ampia su cui i modelli di machine learning possano apprendere.

I ricercatori hanno affrontato anche le sfide logistiche che solitamente impediscono la condivisione di tali grandi dataset. Il tempo trascorso al microscopio è costoso e i file generati sono spesso troppo grandi per essere pubblicati integralmente, il che porta gli scienziati a condividere solo alcune immagini rappresentative. Questo nuovo lavoro dimostra che è possibile condividere l'intero archivio senza sovraccaricare la comunità scientifica. Il team ha fornito strumenti e script che consentono ad altri ricercatori di convertire facilmente i propri dati d'archivio in simili dataset di traiettoria, incoraggiando un cambiamento nel modo in cui la comunità della microscopia condivide il proprio lavoro. Rendendo questi dati disponibili sotto una licenza aperta, gli autori sperano di accelerare lo sviluppo della ricerca sui materiali autonoma, dove sistemi intelligenti possono imparare dall'esperienza umana per esplorare nuovi materiali in modo più rapido ed efficiente.

Sebbene il dataset rappresenti un passo significativo, gli autori sono chiari riguardo ai suoi limiti. Le traiettorie ricostruite sono istantanee dello stato del microscopio piuttosto che un video continuo delle azioni dell'operatore. Esse non catturano i momenti in cui uno scienziato sposta il piano per ispezionare un'area ma decide di non scattare una foto, il che significa che i dati potrebbero favorire leggermente le aree che sono state ritenute degne di una cattura ad alta risoluzione. Inoltre, alcuni dettagli tecnici sulle impostazioni della lente del microscopio mancano dai file originali, il che limita l'uso del dataset per compiti che coinvolgono la calibrazione precisa dello strumento stesso. Nonostante questi vincoli, la collezione si presenta come una risorsa robusta per comprendere la complessa interazione tra imaging e spettroscopia. Offre uno sguardo raro sul flusso di lavoro quotidiano della scienza dei materiali, fornendo la materia prima necessaria per insegnare alle macchine come vedere, analizzare e comprendere il mondo su scala nanometrica con la stessa curiosità e giudizio di un esperto umano.