基于深度学习的机械剥离二维晶体质量筛选
应用物理
2019-07-09 v1 计算物理
数据分析、统计与概率
摘要
二维（2D）晶体因其在低维特性上相较于块体材料性质的剧烈变化，在工程、物理、化学、药学和生物等多个研究领域引起越来越多的关注。在制造 2D 晶体的各种技术中，机械剥离对实际应用和基础研究中都至关重要。然而，基底上机械剥离的晶体含有相对较厚的薄片，必须人工查找并移除，限制了原子级 2D 晶体和范德瓦耳斯异质结构的高通量制造。在此我们提出一种基于深度学习的方法，从光学显微镜图像中分割并识别原子层薄片的厚度。通过精心设计并基于 U-Net 训练仅使用 24 张图像数据的神经网络，我们发现该基于 U-Net 的神经网络能以 70% 的成功率成功区分单层与双层 MoS2，这一数值在从基底上所有薄片中挑选单层与双层 MoS2 薄片的初筛过程中具有实用价值且无需人眼。这一显著结果凸显了大部分人工实验室工作可被基于 AI 的系统替代从而提升生产力的可能性。
引用
@article{arxiv.1907.03239,
title = {Deep learning-based quality filtering of mechanically exfoliated 2D crystals},
author = {Yu Saito and Kento Shin and Kei Terayama1 and Shaan Desai and Masaru Onga and Yuji Nakagawa and Yuki M. Itahashi and Yoshihiro Iwasa and Makoto Yamada and Koji Tsuda},
journal= {arXiv preprint arXiv:1907.03239},
year = {2019}
}
备注
18 pages, 4 figures