原子级分辨扫描透射电子显微镜图像的深度学习：化学识别与局域转变追踪
材料科学
2018-01-19 v1
摘要
扫描透射电子显微镜和扫描探针显微镜的最新进展，为以埃级精度在实空间中探测材料结构参数和各种功能特性开辟了令人振奋的机遇。这一进展伴随着显微和谱学实验技术所产生数据集规模与质量的指数级增长。这些发展需要适当的方法从大型数据集中提取相关的物理和化学信息，而对此类方法中各种原子构型和晶格缺陷结构的先验信息有限或缺失。在此，我们展示了应用深度神经网络从原子级分辨图像中提取信息，包括原子种类位置和缺陷类型。我们开发了一种“弱监督”方法，利用通过深度神经网络提取的图像中所有原子种类的坐标信息，来识别丰富多样的、不属于初始训练集的缺陷。我们进一步应用我们的方法解释复杂的原子与缺陷转变，包括石墨烯中硅掺杂剂不同配位随时间切换、形成具有混合3-fold与4-fold配位的特殊硅二聚体，以及分子“转子”的运动。这种基于深度学习的方法类似于人类操作者的逻辑，但可扩展，从而在从原始实验数据提取和分析信息的方式上带来显著转变。
引用
@article{arxiv.1801.05860,
title = {Deep Learning of Atomically Resolved Scanning Transmission Electron Microscopy Images: Chemical Identification and Tracking Local Transformations},
author = {Maxim Ziatdinov and Ondrej Dyck and Artem Maksov and Xufan Li and Xiahan Sang and Kai Xiao and Raymond R. Unocic and Rama Vasudevan and Stephen Jesse and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:1801.05860},
year = {2018}
}