理论联通实验：单层 MX2 相中缺陷的数字孪生与深度学习分割
材料科学
2023-05-05 v1
摘要
开发理解与调控纳米材料缺陷形成的方法，为材料发现提供了一条大有前景的路径。单层 MX2 相因不同缺陷引入结构时物理性质差异巨大，成为纳米材料缺陷工程极具吸引力的案例。然而，即便高通量扫描透射电子显微镜 (STEM) 方法不断进步，缺陷的有效识别与量化仍具挑战。本研究展示了利用第一性原理计算生成数字孪生、以训练深度学习分割模型来识别单层 MX2 相中缺陷的优势。使用密度泛函理论计算获得约 600 种缺陷结构，每种单层 MX2 结构均经多层切片模拟以生成数字孪生。多种深度学习分割架构在该数据集上训练，并在存在未知杂质、束流损伤、晶界及低电子剂量导致图像质量下降等多种条件下评估性能。该数字孪生方法可在理论数据集上对不同深度学习架构进行基准测试，从而能在精细受控的广泛条件下研究缺陷分类。由此为揭示模型缺陷的潜在物理成因，并可能为实验中材料缺陷相的自动化发现指明路径打开了大门。
引用
@article{arxiv.2305.02917,
title = {Bridging Theory with Experiment: Digital Twins and Deep Learning Segmentation of Defects in Monolayer MX2 Phases},
author = {Addis S. Fuhr and Panchapakesan Ganesh and Rama K. Vasudevan and Bobby G. Sumpter},
journal= {arXiv preprint arXiv:2305.02917},
year = {2023}
}
备注
17 pages, 7 figures