يُعتبر مجهر المسح النفقي (Scanning Tunnelling Microscopy - STM) تقنية متطورة تُستخدم لرسم الصور بدقة ذرية، حيث تُتيح لنا رؤية العمليات الفيزيائية والكيميائية على مستوى الذرات والجزيئات الفردية. من المهم في هذا السياق تسليط الضوء على التحديات المرتبطة بتحليل صور STM، ومنها الحاجة لتحديد ميزات معينة من الخلفية الموحدة، وهو ما يتطلب عملاً شاقًا وشبه يدوي.

في محاولة لتسهيل هذه المهمة، نقدم اليوم نهجًا مبتكرًا يستخدم التعلم القليل البيانات (Few-Shot Learning) والتعلم غير المشرف (Unsupervised Learning) لتقسيم صور STM بشكل آلي. هذه التقنية الجديدة تتميز بمرونتها الكبيرة مقارنةً بالطرق السابقة المعتمدة على التعليم تحت الإشراف، حيث لا تتطلب مجموعات بيانات ضخمة تم تجميعها يدويًا، مما يسهل التكيف مع الأسطح غير المعروفة مع الحفاظ على دقة عالية في النتائج.

قمنا بإثبات فعالية هذا النهج من خلال تطبيقه على ثلاث أسطح مختلفة: Si(001) وGe(001) وTiO$_2$(110)، بما في ذلك الجزيئات الممتصة AsH$_3$ على أسطح السليكون والجرمانيوم. أظهر نموذجنا قدرات قوية على التعميم، حيث يمكن تكييفه للسطوح الجديدة باستخدام نقطة واحدة إضافية فقط من البيانات المسماة بعد التدريب الأولي.

يُعد هذا العمل خطوة مهمة نحو تحقيق تقسيم تلقائي وفعّال لصور STM بطريقة لا تعتمد على المواد، مما سيسهم في تسريع الأبحاث في مجالات متعددة مثل علوم المواد والكيمياء.