基于神经网络的石墨烯多纳米气泡识别

我们提出一种机器学习方法，用于快速识别石墨烯中的纳米气泡，这对于理解基于石墨烯的器件电子输运具有关键意义。纳米气泡会导致局部应变，从而影响石墨烯的输运特性。传统技术如光学成像方法缓慢且难以对多个纳米气泡进行表征。我们的方法利用神经网络分析石墨烯的能态分布，实现对纳米气泡的快速检测与表征，基于电子输运数据。这一技术能够迅速统计纳米气泡数量，并在效率与速度上超越传统成像方法。它提升了石墨烯纳米器件的质量评估与优化能力，标志着凝聚态物理与材料科学领域的重要进展。该技术为探索二维材料中纳米尺度特征与电子特性之间的相互作用提供了高效解决方案。