(a) De experimentele (gedecoreerde) en gesimuleerde (grijze) STM -afbeeldingen. (b) de VS – TOP Beelden van defecten en structureel model. (c) de vS – Bottom Beelden van defecten en structureel model. (d) de aS Beelden van defecten en structureel model. Van links naar rechts wordt het experimentele defectafbeelding, het gesimuleerde defectafbeelding en de schematische structuur van het defect getoond. (e) Experimentele STM -beelden van een enkele geïsoleerde monolaag MOS2 eiland (∼40-50 nm), die duidelijk defecten in de film vertoont. (f) STM -afbeeldingen die verschillende regio’s met puntdefecten benadrukken. Credit: Moleculen (2025). Doi: 10.3390/molecules30122644
Een studie gepubliceerd in Moleculen en geleid door onderzoekers van het Changchun Institute of Optics, Fine Mechanics and Physics (CIOMP) van de Chinese Academie van Wetenschappen, toonde aan hoe diep leren de identificatie van defecten op atoomschaal in molybdeen disulfide kan stroomlijnen (MOS (MOS2), Een veelbelovend tweedimensionaal (2D) materiaal voor elektronica van de volgende generatie.
Onderzoekers hebben een cruciale uitdaging aangepakt in de materiaalwetenschap: het handmatig lokaliseren en classificeren van puntdefecten bij het scannen van tunneling microscopie (STM) -beelden is tijdrovend en vatbaar voor menselijke fouten. Ze ontwikkelden een hybride benadering die het segment alles combineert met alles (SAM) voor defectlokalisatie met een convolutioneel neuraal netwerk (CNN) voor classificatie.
De Deep Learning Pipeline werd getraind op slechts 198 augmented STM -afbeeldingen van MOS2 Gekweekt op gouden substraten, waarbij 95,06% nauwkeurigheid wordt bereikt bij het onderscheiden van zwavelvacatures (vS) van interstitials (aS) en Moiré -patronen.
De sleutel tot het succes van de aanpak was het verwerken van STM-afbeeldingen om ruis te onderdrukken met behoud van defecthandtekeningen. SAM segmenteerde eerste segmenteerde kandidaatregio’s die vervolgens werden geclassificeerd door de CNN. Dichtheid Functionele theorie-simulaties toonden aan dat zwavelvacatures gelokaliseerde mid-gap-toestanden creëerden die zichtbaar zijn in STM als zeshoekige of driehoekige kenmerken.
De prestaties van de SAM-CNN-geïntegreerde aanpak overtroffen traditionele tools zoals OpenCV, met name bij het omgaan met kleine datasets, een beperking in experimentele materialenwetenschap.
Dit werk biedt een schaalbare oplossing voor defectanalyse in 2D -systemen. De voorgestelde aanpak zou de kwaliteitscontrole in de fabricage van halfgeleider of de studie van defect-ontworpen kwantummaterialen kunnen versnellen. Toekomstige verbeteringen kunnen inhouden dat de trainingsdataset wordt uitgebreid om meer defecttypen en materiaalsystemen te dekken.
Meer informatie:
Shiru Wu et al, puntdefectdetectie en classificatie in MOS2 scant tunneling microscopiebeelden: een diepe leerbenadering, Moleculen (2025). Doi: 10.3390/molecules30122644
Verstrekt door de Chinese Academie van Wetenschappen