Uiterst nauwkeurige analyse van microstructuren van 2D-materialen, bereikt met behulp van elektronenmicroscopie en machinaal leren

Een onderzoeksteam onder leiding van NIMS heeft voor het eerst afbeeldingen op nanoschaal geproduceerd van twee belangrijke kenmerken in een ultradun materiaal: twistdomeinen (gebieden waar de ene atoomlaag enigszins is geroteerd ten opzichte van de andere) en polariteiten (verschillen in atomaire oriëntatie). Het materiaal, monolaag molybdeendisulfide (MoS₂), wordt beschouwd als een veelbelovende kandidaat voor gebruik in elektronische apparaten van de volgende generatie.

Deze doorbraak werd bereikt door scanning-transmissie-elektronenmicroscopie (STEM) te combineren met kunstmatige intelligentie (machine learning), waardoor onderzoekers zeer gedetailleerde kenmerken op nanoschaal over grote gebieden konden vastleggen. Het onderzoek was gepubliceerd in Kleine methoden op 6 augustus 2025.

Monolaag molybdeendisulfide (MoS₂) – een tweedimensionaal materiaal dat bestaat uit een enkele atomaire laag met halfgeleidereigenschappen – heeft wereldwijde aandacht getrokken als een veelbelovende kandidaat voor gebruik in elektronische apparaten van de volgende generatie.

De prestaties van dit materiaal worden beïnvloed door de microstructurele kenmerken ervan, waaronder de aanwezigheid van twistdomeinen (gebieden waar de ene atomaire laag enigszins is geroteerd ten opzichte van de andere) en polariteiten (verschillen in atomaire oriëntatie). Het was een uitdaging om met behulp van bestaande technologieën een uiterst nauwkeurige evaluatie van MoS₂-microstructuren over een groot oppervlak uit te voeren.

Nieuwe methoden die deze twistdomeinen en polariteiten op nanoschaal kunnen analyseren, zijn essentieel om de ontwikkeling van baanbrekende materialen en praktische apparaten te versnellen.

Het onderzoeksteam ontwikkelde een techniek die twistdomeinen en polariteiten in monolaag MoS₂ op nanoschaal kan analyseren. Ze gebruikten eerst de modernste elektronenmicroscopie (4D-STEM) om duizenden diffractiepatronen te produceren en pasten vervolgens machinaal leren toe op de analyse van de gegevens.

Met behulp van deze gecombineerde aanpak verzamelde het team meer dan 20.000 diffractiepatronen van MoS₂-monsters die waren gekweekt met behulp van dezelfde technieken die worden gebruikt bij de productie van halfgeleiders. De diffractiepatroongegevens werden vervolgens geanalyseerd met behulp van machinaal leren zonder toezicht.

Door dit proces kon het team voor het eerst twistdomeinen en polariteiten met een resolutie op nanoschaal in beeld brengen. Deze informatie zal onderzoekers helpen begrijpen hoe verschillende fabricageomstandigheden de microstructuur van het materiaal beïnvloeden en kwantitatief regio’s identificeren die de prestaties ervan kunnen beïnvloeden. Dergelijke inzichten kunnen de optimalisatie van groeiprocessen begeleiden en de oorzaken van prestatieproblemen helpen blootleggen, waardoor ze aanzienlijk kunnen bijdragen aan de ontwikkeling van hoogwaardige elektronische apparaten van de volgende generatie.

De nieuwe meettechniek kan worden gebruikt om niet alleen tweedimensionale materialen te bestuderen, maar ook composieten, waardoor mogelijk de ontwikkeling van nieuwe materialen en apparaten wordt versneld. De methode kan ook verder worden verbeterd door de 4D-STEM-prestaties te verbeteren, de machine learning-algoritmen die voor data-analyse worden gebruikt te verfijnen en deze vooruitgang te combineren.

Met dergelijke verbeteringen zou de techniek wetenschappers in zowel de industrie als de academische wereld krachtigere manieren kunnen bieden om materialen te evalueren. NIMS zal blijven werken aan het bevorderen van onderzoek en ontwikkeling op het gebied van computationele metrologie door geavanceerde meetinstrumenten te combineren met benaderingen uit de informatiewetenschap.