相关实验视频
Updated: Sep 18, 2025

15:04
Picometer-Precision Atomic Position Tracking through Electron Microscopy
Published on: July 3, 2021
7.7K
在MoS2中检测和分类点缺陷扫描道显微镜图像:深度学习方法
Shiru Wu1, Guoyang Chen2,3, Si Shen1
1School of Arts and Sciences, Shanghai Dianji University, Shanghai 200245, China.
Molecules (Basel, Switzerland)
|June 27, 2025
概括
本研究介绍了一种使用分段任何模型 (SAM) 和卷积神经网络 (CNN) 的深度学习方法,使用扫描道显微镜 (STM) 图像自动识别二硫化 (MoS) 的缺陷.
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MoS这样的二维材料中的点缺陷显著影响电子和光电子性能.
- 准确的缺陷识别对于理解缺陷物理和优化设备性能至关重要.
研究的目的:
- 开发和验证深度学习管道,用于在MoS2中使用STM图像进行自动缺陷细分和分类.
- 整合图像分析与基于物理的建模,以进行全面的缺陷表征.
主要方法:
- 获取单层MoS2的高分辨率STM图像.
- 区块任何模型 (SAM) 的应用用于自动缺陷区域分割.
- 使用在增强数据上训练的卷积神经网络 (CNN) 进行细分区域的分类.
- 根据手册注释进行验证,并从密度函数理论 (DFT) 计算中得到支持.
主要成果:
- 深度学习管道在198个样本的数据集上实现了95.06%的分类准确性.
- 尽管数据有限,但该模型表现出了稳定性和有效性.
- DFT的计算证实了与硫空缺相关的局部中间状态的存在,与STM的观察一致.
结论:
- SAM细分,CNN分类和DFT建模的综合方法为量化MoS2中的缺陷群体提供了一个强大的方法.
- 这种数据驱动和基于物理的策略可以加速2D材料的缺陷表征.

