通过智能图像分割实现的2D材料的高通量厚度分析.
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
概括
一个AI管道从光学显微镜图像中估计了2D材料厚度,克服了原子力显微镜的局限性. 这种人工智能模型提供了一个更快,非破坏性的方法,用于精确的厚度测量.
科学领域:
- 材料科学 材料科学 材料科学
- 光学物理学 光学物理学
- 人工智能的人工智能
背景情况:
- 对二维材料的厚度表征对于理解其性能至关重要.
- 像原子力显微镜 (AFM) 这样的现有方法具有显著的局限性,包括缓慢的速度和文物.
- 对于二维材料厚度测量,需要一种更快,更有效,更无损的方法.
研究的目的:
- 开发基于人工智能 (AI) 的管道,使用光学显微镜 (OM) 图像来估计二维材料厚度.
- 为了比较不同AI模型和细分技术的性能,用于厚度预测.
- 为了验证概括性,并确定用于厚度估计的关键特征.
主要方法:
- 利用光学显微镜图像和配对的原子力显微镜 (AFM) 数据用于训练AI模型.
- 雇员Otsu的门和Cellpose对感兴趣地区 (ROI) 的细分.
- 训练回归模型,包括随机森林回归器 (RFR) 和多层感知器 (MLP),在提取的形态和颜色特征上.
- 应用沙普利添加式解释 (SHAP) 用于特征重要性分析.
主要成果:
- 人工智能管道从OM图像中准确估计了2D材料厚度.
- 多层感知器 (MLP) 模型与自动Cellpose细分实现了高预测性能 (R2 = 0.947).
- 统计分析证实了该模型在不同细分方法中的通用性.
- SHAP分析确定红色和绿色光强度是关键预测因素,与薄膜干扰理论一致.
结论:
- 拟议的基于人工智能的管道为AFM提供了一个强大的,高效的,非破坏性的替代方案,用于2D材料厚度测量.
- 该模型表现出高精度和通用性,即使使用小数据集.
- 这种方法使精确和连续的厚度估计成为可能,从而推进了二维材料的表征.


