Overcoming Labelled Data Scarcity for Defect Classification in Scanning Tunneling Microscopy

Resumo Técnico: Superando a Escassez de Dados Rotulados para Classificação de Defeitos em Microscopia de Tunelamento Estocástico

Definição do Problema
A Microscopia de Tunelamento Estocástico (STM) fornece imagens com resolução atômica essenciais para a compreensão da física e química de superfícies. No entanto, a análise quantitativa de dados de STM normalmente requer a identificação e rotulagem manual de características em escala atômica contra um fundo uniforme, um processo que é trabalhoso e demorado. Embora abordagens de aprendizado de máquina (ML) supervisionado, como Redes Neurais Convolucionais (CNNs), tenham demonstrado sucesso na automação desta tarefa, elas dependem fortemente de conjuntos de dados anotados manualmente e específicos para cada sistema de material. Essa dependência cria um gargalo: como a STM é frequentemente aplicada a novos materiais e experimentos, a exigência de dados rotulados extensos para cada nova superfície limita a utilidade prática do ML. Alternativas existentes, como a geração de dados sintéticos via Teoria do Funcional da Densidade (DFT), são computacionalmente caras e frequentemente exigem intervenção de especialistas, enquanto outros métodos não supervisionados podem carecer de métricas de desempenho rigorosas ou generalizabilidade.

Metodologia
Os autores propõem um fluxo de trabalho híbrido e automatizado que combina aprendizado não supervisionado e Aprendizado de Poucos Disparos (Few-Shot Learning - FSL) para segmentar e classificar defeitos de STM com o mínimo de dados rotulados. O framework opera através de um pipeline de cinco etapas:

1. Aquisição e Pré-processamento de Dados: Imagens de STM (estados de carga cheia e vazia) são adquiridas, niveladas em plano, alinhadas por linha de varredura e corrigidas para histerese.
2. Segmentação Coarse Não Supervisionada (Módulo 1 & 2): Para evitar a rotulagem manual para a etapa inicial de segmentação, os autores utilizam uma FCNResNet101 pré-treinada (treinada no ImageNet) para extrair vetores de características de pixels. Esses vetores passam por agrupamento k-means para gerar um mapa binário distinguindo "defeitos" do "retículo". Esta saída não supervisionada é usada para treinar uma U-Net leve (Módulo 2) específica para o substrato. A U-Net pode então realizar a segmentação grosseira em novas varreduras em segundos em uma CPU, substituindo a etapa não supervisionada mais lenta e dependente de GPU.
3. Recorte de Características (Feature Cropping): A U-Net identifica as localizações dos defeitos, que são então isoladas em recortes de imagem uniformes e reamostradas para corresponder às dimensões da rede.
4. Geração de Conjunto de Suporte Definido pelo Usuário (Módulo 3): O usuário define $N$ classes de características e rotula um pequeno número ($K$) de exemplos para cada classe a partir dos recortes de imagem. Isso forma o conjunto de suporte. O usuário também pode excluir explicitamente características anômalas nesta etapa.
5. Classificação FSL: Os recortes não vistos restantes (o conjunto de consulta/query set) são classificados por uma rede FSL usando o conjunto de suporte. A rede incorpora as imagens em um espaço vetorial latente e classifica amostras de consulta com base em sua proximidade aos vetores de suporte usando métricas de distância específicas.

O estudo avalia quatro algoritmos distintos de FSL: Redes Prototípicas (Prototypical Networks), Redes de Correspondência (Matching Networks), Redes de Relação (Relation Networks) e Simple Shot. Estes são testados contra um classificador de base k-Vizinho Mais Próximo (kNN) em pixels brutos. Os experimentos utilizam três sistemas de superfície distintos para testar a generalização:

• Si(001): Usado para treinamento inicial e teste em substratos conhecidos com novos adsorvatos (AsH3).
• Ge(001): Testado como um "novo" substrato (treinado apenas em dados de Si).
• TiO2(110): Testado como um substrato estruturalmente diferente (treinado apenas em dados de Si e Ge).

Principais Resultados
Os autores relatam as seguintes descobertas em seus casos de teste:

• Desempenho de Segmentação: A U-Net, treinada em dados rotulados pelo pipeline não supervisionado, alcançou acurácias de validação acima de 90% para as três superfícies. O Dice Score (DS) para segmentação de apenas defeitos foi mais alto para o Germânio (0,87) e mais baixo para o Silício (0,64), embora o DS total (incluindo o fundo) tenha permanecido alto (0,96–0,99).
• Acurácia de Classificação FSL:
  • Redes Prototípicas superaram consistentemente outros métodos baseados em redes neurais. No conjunto de dados de Silício (Si(001):H:AsH3), a rede Prototípica alcançou 93,6% de acurácia na configuração de 1-shot e 98,9% em 3-shot.
  • Redes Simple Shot também tiveram bom desempenho, particularmente quando treinadas em dados específicos do substrato, muitas vezes superando abordagens maiores baseadas em ResNet18, apesar de possuírem menos parâmetros.
  • Redes de Relação tiveram desempenho significativamente inferior (aprox. 54–58% de acurácia), provavelmente devido ao overfitting dado o treinamento limitado e a complexidade de sua métrica de distância aprendida.
  • Generalização: Quando aplicadas a substratos não vistos (Ge e TiO2) sem treinamento prévio nesses materiais específicos, a acurácia caiu (ex: 54,5% 1-shot para Ge), mas os métodos FSL ainda geralmente superaram ou igualaram a base kNN no regime de 1-shot.
• Estudo de Ablação: Os autores demonstraram que aumentar artificialmente o número de classes de treinamento (invertendo valores de pixels para criar tipos de "defeitos negativos") melhorou a acurácia da classificação. Por exemplo, a Rede de Correspondência nos dados de Germânio melhorou em 12% quando o conjunto de treinamento foi aumentado com classes inversas.

Significância e Alegações
O artigo posiciona este trabalho como um passo significativo em direção à segmentação automática e agnóstica a materiais de imagens de STM. A principal contribuição é a demonstração de que a classificação de defeitos de alta precisão é possível com tão pouco quanto um ou três pontos de dados rotulados por classe, removendo efetivamente a barreira de grandes conjuntos de dados anotados.

Os autores afirmam que sua abordagem oferece maior flexibilidade do que os métodos supervisionados anteriores:

1. Adaptabilidade: O sistema pode ser adaptado para superfícies não vistas rapidamente após o treinamento inicial.
2. Tratamento de Anomalias: Ao contrário dos classificadores supervisionados rígidos, este fluxo de trabalho permite que os usuários excluam explicitamente características anômalas do conjunto de suporte, evitando que elas distorçam as estatísticas — uma capacidade ausente em alguns trabalhos supervisionados anteriores.
3. Eficiência: Ao destilar o conhecimento de modelos pré-treinados grandes para uma U-Net menor para segmentação grosseira, o método permite o processamento rápido baseado em CPU, adequado para fluxos de trabalho laboratoriais.

Os autores permanecem modestos quanto à acurácia absoluta em materiais completamente novos (ex: 62% no caso de 1-shot para Germânio), observando que, embora isso possa não ser suficiente para uma análise final de qualidade de publicação, fornece insights rápidos e acionáveis durante a aquisição de dados. Eles concluem que, embora arquiteturas padrão tenham sido usadas para estabelecer uma base, trabalhos futuros envolvendo otimização de hiperparâmetros e refinamento arquitetural poderiam aumentar ainda mais o desempenho.