使用原子分辨率STEM模拟和监督机器学习量化WTe2的厚度

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:

• 厚度决定了二维 (2D) 材料的物理和化学特性.
• 二甲 (WTe2) 具有厚度依赖的特性,但其复杂的结构阻碍了厚度的确定.
• 空气敏感性和电子束损伤需要直接的,非破坏性的厚度表征方法.

研究的目的:

• 开发一种直接方法来确定Td-WTe2的厚度,可达到十个范德瓦尔斯层.
• 为了实现精确的原子结构特征,包括局部厚度变化和缺陷,在几个层的2D材料.

主要方法:

• 原子分辨率高角度环状暗场扫描传输电子显微镜 (HAADF-STEM) 图像模拟.
• 从重叠的原子列中分析强度线形状.
• 在线形状特征上训练的标准神经网络模型的开发.

主要成果:

• 在没有机器学习的情况下,通过比较解密的峰值强度或面积比率来区分多达七层的偶和奇厚.
• 使用在线形状特征上训练的标准神经网络模型,实现了高达十层的厚度区别.
• 在厚度确定中,即使使用高斯和波桑噪声,也证明了高达94%的准确性.

结论:

• 开发的方法使用HAADF-STEM图像模拟和分析有效量化Td-WTe2厚度.
• 该方法可扩展到具有类似结构挑战的其他2D材料.
• 提供了精确表征少数层二维材料的途径,包括厚度变化和原子缺陷.