用于识别二维原子晶体的物理信息机器学习算法

2004 年首次被分离出的石墨烯单层在下一代电子学、光电子学和储能方面展现出独特性质和广阔技术潜力。用于制备石墨烯的简单而有效的方法——机械剥离后光学显微镜检查——已被用来发现更多二维 (2D) 原子晶体，它们表现出与其块体对应物不同的物理性质，开启了材料研究的新时代。然而，手动检查光学图像以识别 2D 薄片具有明显的低通量缺点，因此对于任何 2D 样品的规模化应用都不切实际，尽管它们具有迷人的物理性质。近期高性能机器学习（通常为深度学习）技术与光学显微镜的融合加速了薄片识别。尽管深度学习算法带来了进步，但其高计算复杂度、大数据集需求，以及更重要的不透明的决策过程限制了其可及性。作为替代，我们研究了更透明的基于树的机器学习算法，其特征模拟颜色对比，用于在不同光学设置下自动识别剥离的 2D 原子晶体（例如 MoSe2）。我们将这些基于树的算法的成功率和决策的物理性质与 ResNet（一种卷积神经网络，CNN）进行比较。我们表明决策树、梯度提升决策树和随机森林能够成功分类薄材料的光学图像，其透明决策依赖于物理图像特征，且不存在极端过拟合和大数据集需求的问题。