基于机器学习的 MoS$_2$ 薄膜显微图像定量分析
材料科学
2024-02-05 v2
摘要
分离与不同材料生长条件相关的特征，对于调控这些条件以实现有效的材料生长和表征十分重要。本研究提出用于基于生长温度对薄膜 MoS 的原子力显微镜(AFM)图像进行分类的机器学习模型。通过采用九种不同算法并利用预训练 ResNet 模型的迁移学习，我们确定了准确辨识 AFM 显微图中与生长温度相关特征的有效方法。我们获得了测试准确率高达 70% 的鲁棒模型，其中性能最佳的算法是在我们的图像域上端到端微调的 ResNet。类激活图和遮挡归因揭示，晶体质量和畴边界在分类中起关键作用，模型展现出识别超出人类视觉感知的潜在特征的能力。总体而言，尽管训练数据有限且不平衡，且除温度外生长参数也存在变化，模型在识别不同温度下生长的薄膜方面仍表现出高准确率，表明我们的模型和训练协议适用于此类及类似的加速二维材料表征预测任务。
引用
@article{arxiv.2310.07816,
title = {Quantitative analysis of MoS$_2$ thin film micrographs with machine learning},
author = {Isaiah A. Moses and Wesley F. Reinhart},
journal= {arXiv preprint arXiv:2310.07816},
year = {2024}
}
备注
34 pages, 10 figures