AIによる高スループット2D材料厚分析：インテリジェント画像セグメンテーションの活用
Jun Chen Ng1,2, Farina Muhamad2, Pauline Shan Qing Yeoh2
1School of Materials Science and Engineering, Peking University, Beijing 100871, China. khinwee.lai@um.edu.my.
Nanoscale
|December 22, 2025
まとめ
AIパイプラインが光学顕微鏡画像から2D材料の厚さを推定し、原子間力顕微鏡の限界を克服します。このAIモデルは、精密な厚さ測定のための、より高速で非破壊的な方法を提供します。
科学分野:
- 材料科学
- 光学物理学
- 人工知能
背景:
- 2D材料の厚さ特性評価は、その特性を理解する上で重要です。
- 原子間力顕微鏡（AFM）などの既存の方法には、速度が遅い、アーティファクトが生じるなどの重大な制限があります。
- 2D材料の厚さ測定には、より高速で効率的、かつ非破壊的な方法が必要です。
研究 の 目的:
- 光学顕微鏡（OM）画像を用いた2D材料の厚さ推定のための人工知能（AI）ベースのパイプラインを開発すること。
- 厚さ予測のための異なるAIモデルとセグメンテーション技術のパフォーマンスを比較すること。
- 厚さ推定の一般化可能性を検証し、重要な特徴を特定すること。
主な方法:
- AIモデルのトレーニングのために、光学顕微鏡画像とペアの原子間力顕微鏡（AFM）データを利用しました。
- 関心領域（ROI）のセグメンテーションには、大津の手法とCellposeを採用しました。
- 抽出された形態学的および色特徴量に基づいて、ランダムフォレストレグレッサー（RFR）や多層パーセプトロン（MLP）などの回帰モデルをトレーニングしました。
- 特徴量の重要度分析には、Shapley Additive Explanations（SHAP）を適用しました。
主要な成果:
- AIパイプラインは、OM画像から2D材料の厚さを正確に推定しました。
- 自動化されたCellposeセグメンテーションを備えた多層パーセプトロン（MLP）モデルは、高い予測パフォーマンス（R² = 0.947）を達成しました。
- 統計分析により、異なるセグメンテーション手法間でのモデルの一般化可能性が確認されました。
- SHAP分析により、赤と緑の光強度が重要な予測因子であることが特定され、これは薄膜干渉理論と一致しています。
結論:
- 提案されたAIベースのパイプラインは、2D材料の厚さ測定において、AFMに代わる堅牢で効率的、かつ非破壊的な方法を提供します。
- このモデルは、少量のデータセットでも高い精度と一般化可能性を示します。
- このアプローチにより、精密で連続的な厚さ推定が可能になり、2D材料の特性評価が進歩します。
