(A) Imagens STM experimentais (decoradas) e simuladas (cinza). (B) vON -TOP Imagens de defeito e modelo estrutural. (CvOt Imagens de defeito e modelo estrutural. (D) aO Imagens de defeito e modelo estrutural. Da esquerda para a direita, a imagem do defeito experimental, a imagem do defeito simulado e a composição esquemática do defeito é mostrada. (E) Imagens STM experimentais de um único monolear MOS separado2 A ilha (-40-50 nm), mostrando claramente um defeito no filme. (F) As imagens STM iluminam diferentes regiões com defeitos pontuais. Crédito: Atômico (2025). Doi: 10.3390/átomos 30122644
Um estudo publicado em Atômico E pesquisadores do Instituto Changchun Opt Opt Pattics, Fine Mechanics and Physics (CIOMP) nas ciências da academia chinesa mostraram como o dissulfeto de molibdênio pode identificar um defeito nuclear (MOS2), Esperançosamente (2D) Materiais promissores para a eletrônica da próxima generalização salarial.
Os pesquisadores abordaram um desafio crucial na ciência dos materiais: defeitos pontuais localizados e classificados manualmente na varredura de imagens de microscopia de tunelamento (STM) consomem muito tempo e são preenchidos com erros humanos. Eles desenvolveram uma abordagem híbrida conectando o segmento a qualquer modelo (SAM) para localização de defeitos com a Rede Neural convencional (CNN) para classificação.
Deep Learning Pipeline foi treinado em apenas 198 imagens antigas de STM de MOS2 Cultivados em substratos de ouro, vagas de enxofre apreenderam 95,06% de precisão (vO) De intersticiais (AO) E padrão moari.
A chave para o sucesso da abordagem foi um pré-processo das imagens STM para suprimir o som, preservando assinaturas defeituosas. Sam primeiro divide as regiões candidatas que foram então caracterizadas pela CNN. As simulações da teoria funcional da densidade mostram que o enxofre criou estados locais de intermediários visíveis como hexonos ou instalações triangulares em STMs em vagas.
O desempenho da abordagem integrada SAM-CNN superou as ferramentas tradicionais como o OpenCV, especialmente no manuseio de pequenos conjuntos de dados, limites de materiais experimentais.
Esta função oferece uma solução escalável para análise de defeitos em sistemas 2D. A abordagem proposta pode acelerar o controle de qualidade no estudo do conteúdo quântico forjado ou com defeito semicondutor. As atualizações futuras podem incluir estender um conjunto de dados de treinamento para cobrir os tipos de mais defeitos e sistemas de conteúdo.
Mais informações:
Shiru Wu et al., MOS 2 Microscopia de tunelamento Mos 2 Defeitos de ponto e classificação: um exemplo profundo de suprimento de TEAD, Atômico (2025). Doi: 10.3390/átomos 30122644
Fornecido pelas ciências da academia chinesa
Testimônimo: Aprendizagem profunda autoriza a busca defeituosa em 2D Materiais (2025, 21 de agosto de rajada) 21 de agosto Gust Recebido de 2025
Este documento está sujeito a pirita de direitos autorais. Exceto por qualquer transação razoável para fins de estudo ou pesquisa particular, nenhuma parte pode ser reproduzida sem uma permissão por escrito. O conteúdo é fornecido apenas para fins de informação.
