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

材料科学という目に見えない世界において、研究者たちは肉眼では捉えられず、標準的な顕微鏡でも見ることができず、さらには人間の精神ですら容易に把握することができないほど小さなものを見極める必要があります。これらの微小な構造を研究するために、科学者たちは走査透過電子顕微鏡と呼ばれる強力なツールを使用しています。電子という亜原子粒子である電子ビームが、電子が通り抜けられるほど薄い試料に照射される様子を想像してみてください。ビームが材料をスキャンするように動くと、電子が原子と相互作用し、試料の内部構造の詳細な画像を作り出します。しかし、形状を見ることは物語の半分に過ぎません。材料を真に理解するためには、科学者はそれが何でできているのか、そして原子がどのように振る舞っているのかを知る必要があります。ここで分光法が登場します。電子が試料に衝突した際に失われるエネルギーや、放出されるX線を分析することで、研究者は存在する特定の元素を特定し、さらにはその化学的状態までも決定することができます。この高解像度イメージングと化学分析の組み合わせは、より優れた電池、より効率的な触媒、そして高度な電子デバイスの開発に不可欠です。しかし、これらの複雑なタスクを実行するようにコンピュータを教えることは困難でした。なぜなら、それらを訓練するために必要なデータが、散逸していたり、不完全であったり、あるいはプライベートなアーカイブの中に閉じ込められていたりしたからです。

ペンシルベニア大学の研究チームは、まさにこの種のデータを大量に公開することで、この状況を一変させました。彼らは「STEM-Bank-26」と呼ばれるデータセットを構築しました。これには、5年間にわたって収集された約38,000枚の画像と数千件の分光測定が含まれています。このコレクションは単なる画像の寄せ集めではありません。それは、科学者が実際にどのように研究を行うかを示す構造化された記録です。このデータセットには、1,499件の個別の実験セッションにわたる1,095種類の異なる材料サンプルから取得された37,921枚の画像が含まれています。これらのセッションの3分の2以上において、研究者は分光データも同時に取得しており、材料の物理的構造と化学組成の両方の完全な姿を提供しています。このコレクションの総容量は929ギガバイトであり、イメージングとエネルギー分散型分光法および電子エネルギー損失分光法の両方を統合した、この種の中で最も大規模に公開されているデータセットです。

この研究の真の価値は、単なるファイル数の多さにあるのではなく、研究者たちが科学の背後にある人間の意思決定プロセスを明らかにするために、どのようにデータを整理したかにあります。電子顕微鏡の操作は完全に自動化されたプロセスではなく、熟練したオペレーターが試料を観察し、どの領域が興味深いかを判断し、顕微鏡の設定を調整し、そしてその特定の地点に対して化学データを収集することを選択するというプロセスを必要とします。この一連の決定は「軌跡（トラジェトリー）」、つまり一般的な視点から詳細な分析へと至る行動の経路を形成します。これらの決定は単一のファイルに記録されることが稀であるため、チームはメタデータ（時間、位置、設定を記録した各ファイルに付随するデジタルタグ）を比較することで、これらの経路を再構成する方法を開発しました。画像間の空白を分析することで、オペレーターが試料を新しい場所に移動させたときや、思考のために一時停止したときを推測することができ、静的なファイルのアーカイブを、科学的探求の動的な記録へと実質的に変貌させたのです。

この再構成により、データセットは人工知能の訓練の場として機能できるようになります。過去において、これらの顕微鏡を操作できる「AI科学者」を構築しようとする試みは、人間がいかにして未知の情報を探求し、適応していくかを示すデータの欠如によって停滞していました。既存のデータセットは、画像のみ、あるいはスペクトルのみを含んでいることが多く、両者の間の決定的なつながりを欠いていました。この新しいコレクションはそのギャップを埋め、科学者が広範な調査から特定の機能への集中した分析へとどのように移行するかという現実的な視点を提供します。データによれば、ほとんどの実験セッションは10から100枚の画像を含み、かなりの部分で化学マッピングが行われています。サンプル自体は多様で、化学反応に使用される不均一な触媒からリチウムイオン電池の構成要素まで多岐にわたり、機械学習モデルが学習するための幅広い基盤を提供しています。

研究者たちはまた、このような大規模なデータセットの共有を妨げる物流面での課題にも対処しました。顕微鏡の使用時間は高価であり、生成されるファイルはしばしば大きすぎるため、科学者は代表的な画像を数枚だけ共有するという状況に陥りがちです。この新しい取り組みは、科学コミュニティに過度な負担を強いることなく、アーカイブ全体を共有することが可能であることを示しています。チームは、他の研究者が自身のアーカイブデータを同様の軌跡データセットへと容易に変換できるツールやスクリプトを提供しており、マイクロスコピー・コミュニティにおける情報の共有方法の転換を促しています。このデータをオープンライセンスで提供することで、著者らは、インテリジェントなシステムが人間の専門知識から学び、より速く、より効率的に新材料を探索できる「自律的な材料研究」の開発を加速させることを期待しています。

このデータセットは重要な進歩ではありますが、著者らはその限界についても明確に述べています。再構成された軌跡は、顕微鏡の状態を捉えたスナップショットであり、オペレーターの行動の連続的なビデオではありません。例えば、科学者が領域を検査するためにステージを動かしたものの、写真を撮ることにしないといった瞬間は捉えられていないため、データは高解像度のキャプチャに値すると判断された領域をわずかに優先している可能性があります。さらに、元のファイルには顕微鏡のレンズ設定に関する技術的な詳細が欠けている場合があり、これが装置自体の精密なチューニングを伴うタスクへの利用を制限しています。これらの制約はあるものの、このコレクションは、イメージングと分光法の複雑な相互作用を理解するための堅牢なリソースとして確立されています。これは、材料科学の日常的なワークフローを垣間見る貴重な機会であり、人間が持つ好奇心や判断力と同じように、ナノスケールの世界を見、分析し、理解することを機械に教えるための「生の素材」を提供するものです。