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

No mundo invisível da ciência dos materiais, os pesquisadores precisam ver coisas que são pequenas demais para o olho nu, pequenas demais para microscópios padrão e até pequenas demais para serem facilmente compreendidas pela mente humana. Para estudar essas estruturas minúsculas, os cientistas utilizam uma ferramenta poderosa chamada microscopia eletrônica de varredura por transmissão. Imagine um feixe de elétrons, que são partículas subatômicas, sendo disparado contra uma amostra tão fina que os elétrons possam atravessá-la. À medida que o feixe percorre o material, ele interage com os átomos, criando uma imagem detalhada da estrutura interna da amostra. Mas ver a forma é apenas metade da história. Para compreender verdadeiramente um material, os cientistas também precisam saber do que ele é feito e como seus átomos estão se comportando. É aqui que entra a espectroscopia. Ao analisar a energia perdida pelos elétrons ou os raios X que eles emitem ao atingir a amostra, os pesquisadores podem identificar os elementos específicos presentes e até determinar seu estado químico. Essa combinação de imagem de alta resolução e análise química é essencial para o desenvolvimento de melhores baterias, catalisadores mais eficientes e dispositivos eletrônicos avançados. No entanto, ensinar computadores a realizar essas tarefas complexas tem sido difícil porque os dados necessários para treiná-los estavam dispersos, incompletos ou guardados em arquivos privados.

Uma equipe de pesquisadores da Universidade da Pensilvânia mudou o cenário ao lançar uma coleção massiva e aberta desse exato tipo de dado. Eles reuniram um conjunto de dados chamado STEM-Bank-26, que contém quase 38.000 imagens e milhares de medições espectroscópicas coletadas ao longo de cinco anos. Esta coleção não é apenas um arranjo aleatório de fotos; é um registro estruturado de como os cientistas realmente trabalham. O conjunto de dados inclui 37.921 imagens tiradas de 1.095 diferentes amostras de materiais em 1.499 sessões experimentais distintas. Para mais de dois terços dessas sessões, os pesquisadores também capturaram dados espectroscópicos, fornecendo uma imagem completa tanto da estrutura física quanto da composição química dos materiais. O tamanho total desta coleção é de 929 gigabytes, um volume de informação que a torna a maior base de dados abertamente disponível de seu tipo que integra imagem com tanto espectroscopia de energia dispersiva quanto espectroscopia de perda de energia de elétrons.

O verdadeiro valor deste trabalho reside não apenas no número absoluto de arquivos, mas em como os pesquisadores os organizaram para revelar o processo de tomada de decisão humana por trás da ciência. A microscopia eletrônica não é um processo totalmente automatizado; ela requer um operador qualificado para observar uma amostra, decidir qual área é interessante, ajustar as configurações do microscópio e, então, escolher coletar dados químicos naquele ponto específico. Essa série de decisões forma uma "trajetória", um caminho de ações que leva de uma visão geral a uma análise detalhada. Como essas decisões raramente são registradas em um único arquivo, a equipe desenvolveu um método para reconstruir esses caminhos comparando os metadados — as etiquetas digitais anexadas a cada arquivo que registram tempo, posição e configurações. Ao analisar as lacunas entre as imagens, eles puderam inferir quando um operador moveu a amostra para um novo local ou fez uma pausa para pensar, transformando efetivamente um arquivo estático de arquivos em um registro dinâmico de exploração científica.

Essa reconstrução permite que o conjunto de dados sirva como um campo de treinamento para a inteligência artificial. No passado, os esforços para construir "cientistas de IA" capazes de operar esses microscópios foram interrompidos pela falta de dados que mostrassem como os humanos exploram e se adaptam a novas informações. Os conjuntos de dados existentes frequentemente continham apenas imagens ou apenas espectros, perdendo o elo crucial entre os dois. Esta nova coleção preenche essa lacuna, oferecendo uma visão realista de como um cientista se move de um levantamento amplo de uma amostra para uma análise focada de uma característica específica. Os dados mostram que a maioria das sessões experimentais envolve entre 10 e 100 imagens, com uma parte significativa incluindo mapeamento químico. As próprias amostras são diversas, variando de catalisadores heterogêneos usados em reações químicas a componentes de baterias de íon-lítio, fornecendo uma ampla base para que modelos de aprendizado de máquina possam aprender.

Os pesquisadores também abordaram os desafios logísticos que geralmente impedem o compartilhamento de conjuntos de dados tão grandes. O tempo de uso do microscópio é caro e os arquivos gerados são frequentemente grandes demais para serem publicados na íntegra, levando os cientistas a compartilhar apenas algumas imagens representativas. Este novo trabalho demonstra que é possível compartilhar todo o arquivo sem sobrecarregar a comunidade científica. A equipe forneceu ferramentas e scripts que permitem que outros pesquisadores convertam facilmente seus próprios dados de arquivo em conjuntos de dados de trajetória semelhantes, incentivando uma mudança na forma como a comunidade de microscopia compartilha seu trabalho. Ao disponibilizar esses dados sob uma licença aberta, os autores esperam acelerar o desenvolvimento da pesquisa de materiais autônoma, onde sistemas inteligentes podem aprender com a expertise humana para explorar novos materiais de forma mais rápida e eficiente.

Embora o conjunto de dados seja um passo significativo, os autores são claros sobre suas limitações. As trajetórias reconstruídas são instantâneos do estado do microscópio, e não um vídeo contínuo das ações do operador. Elas não capturam os momentos em que um cientista move a platina para inspecionar uma área, mas decide não tirar uma foto, o que significa que os dados podem favorecer ligeiramente áreas que foram consideradas dignas de captura de alta resolução. Além disso, alguns detalhes técnicos sobre as configurações da lente do microscópio estão ausentes nos arquivos originais, o que limita o uso do conjunto de dados para tarefas que envolvem o ajuste preciso do instrumento em si. Apesar dessas restrições, a coleção constitui um recurso robusto para a compreensão da complexa interação entre imagem e espectroscopia. Ela oferece um vislumbre raro do fluxo de trabalho diário da ciência dos materiais, fornecendo a matéria-prima necessária para ensinar máquinas a ver, analisar e compreender o mundo em escala nanométrica com a mesma curiosidade e julgamento de um especialista humano.