يعد الذكاء الاصطناعي من العوامل المحورية التي تساهم في تطوير تقنيات المجهر الإلكتروني، مما يتيح تحليل كمي لبيانات ضخمة ومعقدة من أجل توصيف الجسيمات النانوية. في السنوات الأخيرة، أدت التقدمات في مجال تعلم الآلة (Machine Learning) والتعلم العميق (Deep Learning) إلى تحويل المجهر من تقنية تصوير وصفية إلى منصة مدفوعة بالبيانات للتحليل الهيكلي والفهم العلمي.

تتعامل هذه المراجعة مع منهجيات الذكاء الاصطناعي المطبقة في المجهر الإلكتروني للجسيمات النانوية، مع التركيز على أنواع متعددة مثل المجهر الإلكتروني الناقل (Transmission Electron Microscopy - TEM) والمجهر الإلكتروني الناقل عالي الدقة (High-Resolution Transmission Electron Microscopy - HRTEM) والمجهر الإلكتروني الناقل القائم على المسح (Scanning Transmission Electron Microscopy - STEM) والمجهر الإلكتروني في الموقع (In Situ TEM).

تناقش المراجعة التحديات الرئيسية المرتبطة بتوصيف الجسيمات النانوية مثل الكشف عن الجسيمات، والتجزئة، وتكميل الشكل، واستعادة الدقة الذرية، وتحديد العيوب، واستنتاج الهيكل من الأبعاد الثنائية إلى الأبعاد الثلاثية، بالإضافة إلى تحليل العمليات الديناميكية في الموقع.

تتطرق المراجعة أيضًا إلى الأساليب الحسابية المستخدمة بدءًا من التعلم الآلي التقليدي والشبكات العصبية الالتفافية وصولاً إلى هياكل المحولات (Transformers) والتعلم الذاتي المراقب، والنماذج الأساسية (Foundation Models)، والذكاء الاصطناعي متعدد الوسائط. كما يتم بحث دمج بيانات المجهر مع المحاكاة والبيانات الوصفية والتجارب الذاتية لفهم العلاقة بين هيكل الجسيمات النانوية، والديناميات، وظروف التركيب، وخصائصها الوظيفية.

تتناول المراجعة مميزات وعيوب، ومتطلبات البيانات، وتقدم تقيمًا حادًا للمنهجيات الحالية. في النهاية، تستعرض الفرص الناشئة للنماذج الأساسية، والمجهر المدعوم بالذكاء الاصطناعي، والتجارب ذات الحلقة المغلقة، والاكتشافات الذاتية للمواد. من خلال دمج التقدمات في رؤية الحاسوب وعلم المواد والمجهر الإلكتروني، تسلط هذه المراجعة الضوء على دور الذكاء الاصطناعي في توصيف الجسيمات النانوية من الجيل القادم واكتشافات المواد المتسارعة.