利用机器学习进行WSe$_2$薄膜的晶体生长表征

材料表征仍然是一个劳动密集型过程，需要大量专家时间进行后处理和显微图像分析。因此，机器学习已成为材料科学（包括材料表征）中的重要工具。在本研究中，我们利用有监督回归和分割模型，对WSe$_2$薄膜原子力显微镜（AFM）高度图中的晶体覆盖率预测进行了深入分析。回归模型通过从头训练和从预训练于ImageNet和MicroNet的ResNet进行迁移学习来训练，以预测单层晶体覆盖率。从头训练的模型优于使用预训练模型提取特征的模型，但微调取得了最佳性能，在一组多样化的保留测试显微图像上达到了令人印象深刻的0.99 $R^2$值。值得注意的是，从MicroNet提取的特征性能显著优于从ImageNet提取的特征，但在ImageNet上进行微调则表现出相反的结果。由于该问题本质上是一个分割任务，分割模型在确定图像块上的晶体覆盖率方面表现出色。然而，当应用于完整图像而非图像块时，分割模型的性能显著下降，而回归模型则没有，这表明回归模型可能比分割模型对尺度和维度变化更具鲁棒性。我们的结果证明了计算机视觉模型在二维材料样品表征自动化中的有效性，同时为其在硫族化物薄膜开发中的应用提供了重要的实际考虑。