通过深度学习识别和结构性表征扭曲的原子薄双层材料
Haitao Yang1, Ruiqi Hu2, Heng Wu3
1Key Laboratory of Wide Band-Gap Semiconductor Technology & Shaanxi Key Laboratory of High-Orbits-Electron Materials and Protection Technology for Aerospace, School of Advanced Materials and Nanotechnology, Xidian University, Xi'an 710071, China.
Nano letters
|February 26, 2024
概括
这项研究引入了一种新的深度学习方法,用于分析二维材料. 卷积神经网络快速识别二硫化物厚度,并预测双层片中的扭曲角度,用于先进的电子产品.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 纳米技术纳米技术
背景情况:
- 像过渡金属二甲基化物这样的二维材料对于下一代电子和光电子非常重要.
- 扭曲的双层结构表现出独特的物理特性,引发了大量的研究兴趣.
研究的目的:
- 开发一种自动化,快速和准确的方法来表征化学蒸汽沉积 (CVD) 培养的二硫化 (MoS2) 片.
- 使用人工智能精确确定MoS2双层的厚度和扭曲角度.
主要方法:
- 利用光学显微镜捕捉了CVD培养的MoS2.2的颜色空间.
- 应用了一个语义细分卷积神经网络 (CNN) 来识别MoS2厚度.
- 在超过1万张合成图像上训练了第二个CNN模型,以预测双层MoS2.2中的扭曲角度.
- 使用第二子和拉曼光谱学验证的深度学习预测.
主要成果:
- 通过CNN证明了MoS2薄片厚度的准确和快速识别.
- 在CVD培养的双层MoS2片中实现了扭曲角度的精确预测.
- 通过实验光谱技术验证了深度学习模型的性能.
结论:
- 引入了一个可扩展的深度学习方法,用于自动检查扭曲的原子薄的CVD生长的双层.
- 开发的方法促进了电子应用的2D材料的高通量表征.
