基于深度学习的从高分辨透射电子显微图像确定碳纳米管手性指数
介观与纳米尺度物理
2020-10-07 v1 计算物理
摘要
手性指数决定了碳纳米管（CNTs）的重要性质。遗憾的是，通过高分辨透射电子显微术（HRTEM）图像——最精确的手性指派方法——确定手性指数是一项繁琐工作。我们开发了一个卷积神经网络（Convolutional Neural Network）使该过程自动化。通过原子尺度计算机模拟结合用于图像生成的多片层法，获得大规模且逼真的CNT图像训练集。在大多数情况下，自动指派结果与人工分类高度一致，且失败原因已被识别。当前结合HRTEM成像与深度学习算法的方法，可对统计显著的CNT的HRTEM图像进行分析，为稳健估计实验手性分布铺平道路。
引用
@article{arxiv.2003.11505,
title = {A deep learning approach for determining the chiral indices of carbon nanotubes from high-resolution transmission electron microscopy images},
author = {G. D. Förster and A. Castan and A. Loiseau and J. Nelayah and D. Alloyeau and F. Fossard and C. Bichara and H. Amara},
journal= {arXiv preprint arXiv:2003.11505},
year = {2020}
}
备注
for use of the discussed computer code, please contact the corresponding author