目前，掃描透射電子顯微鏡（STEM）是對(duì)各種材料進(jìn)行原子分辨率結(jié)構(gòu)分析不可或缺的工具。STEM圖像的傳統(tǒng)分析是一個(gè)廣泛的動(dòng)手過程，這限制了對(duì)高通量數(shù)據(jù)的有效處理。

在此，韓國延世大學(xué)Kwanpyo Kim等人應(yīng)用全卷積網(wǎng)絡(luò)（FCN）來識(shí)別二維晶體的原子分辨率STEM圖像中的重要結(jié)構(gòu)特征。具體而言，作者創(chuàng)建了一個(gè)FCN 來處理MoS₂（一種典型的過渡金屬二硫?qū)倩铮哉故酒湓谧R(shí)別硫空位和不同多晶型構(gòu)型方面的實(shí)用性。

其中，ResUNet作為一種FCN，主要使用包含不同級(jí)別的噪聲、畸變和碳污染的模擬STEM圖像進(jìn)行訓(xùn)練。作者在第一個(gè)卷積層中使用了具有5個(gè)殘差塊和32個(gè)過濾器的ResUNet架構(gòu)，以及一個(gè)Keras生成器來加載用于空位和多態(tài)檢測(cè)的訓(xùn)練集。為了訓(xùn)練，作者指定了一個(gè)半徑為 0.95 ?的圓形區(qū)域作為硫空位標(biāo)簽。空缺檢測(cè)模型使用7×7像素的內(nèi)核大小和10000 張圖像進(jìn)行訓(xùn)練，5000張圖像進(jìn)行驗(yàn)證。多態(tài)模型使用7×7像素的內(nèi)核大小和63157幅圖像進(jìn)行訓(xùn)練，17319幅圖像進(jìn)行驗(yàn)證。

圖1. 用于識(shí)別點(diǎn)缺陷和MoS₂多晶型的FCN

結(jié)果顯示，在1000次迭代訓(xùn)練下，模擬STEM圖像的訓(xùn)練和驗(yàn)證準(zhǔn)確率達(dá)到0.98以上，損失函數(shù)降低到0.01的水平。接下來，硫空位的模型預(yù)測(cè)通過合成的和故意產(chǎn)生缺陷的MoS₂樣品的實(shí)驗(yàn) STEM圖像進(jìn)行了測(cè)試，這證實(shí)了空位分配的模型準(zhǔn)確性與基于原子位置的局部強(qiáng)度的勞動(dòng)密集型分析相當(dāng)。另一個(gè)FCN接受了多晶型識(shí)別訓(xùn)練，并成功地從 MoS₂的實(shí)驗(yàn)STEM圖像中識(shí)別出各種堆疊多晶型。在碳污染嚴(yán)重的地區(qū)，多態(tài)模型預(yù)測(cè)的趨勢(shì)符合基于原子位點(diǎn)局部強(qiáng)度調(diào)制的預(yù)測(cè)。

這些結(jié)果表明，所開發(fā)的模型可以應(yīng)用于具有不同程度的碳污染和其他噪聲源的各種圖像。此外，當(dāng)前的模型可擴(kuò)展到研究MoS₂之外的各種2D 晶體中的相似結(jié)構(gòu)特征，為訓(xùn)練用于STEM圖像分析的深度學(xué)習(xí)模型的最佳實(shí)踐提供了指導(dǎo)。

圖2. 使用FCN從MoS₂的實(shí)驗(yàn)STEM圖像中識(shí)別多晶型物

STEM Image Analysis Based on Deep Learning: Identification of Vacancy Defects and Polymorphs of MoS₂, Nano Letters 2022. DOI: 10.1021/acs.nanolett.2c00550