基于单图像的深度学习用于精确原子缺陷识别
材料科学
2023-11-28 v1
摘要
缺陷工程已被广泛用于赋予本征晶格所缺乏的所需功能。尽管单原子分辨率扫描透射电子显微镜（STEM）图像在缺陷工程中广泛可用，但利用包含各种缺陷的原子尺度图像时，传统图像分析方法受限于随机噪声和人为偏差。然而深度学习的兴起提供了替代方案，但其广泛应用主要受制于对大量带标注真值的训练数据的需求。在本研究中，我们提出一种两阶段方法，以解决单层二维材料中原子缺陷检测的高标注成本与图像噪声问题。第一阶段，为应对数据稀缺问题，我们采用基于U-GAT-IT的双状态变换网络，为带有预定位真值标签的模拟图像添加真实噪声，从而无限扩展训练数据集。第二阶段，利用第一阶段生成的数据训练的U-Net模型，有效且高精度地检测单层二维材料中的原子缺陷，避免了随机噪声与人为偏差问题。在两阶段中，我们利用分割的晶胞级图像来简化模型任务并提升其精度。我们的结果表明，不仅能识别硫空位，我们还能可视化单层MoS2中的氧掺杂剂，其通常被随机背景噪声淹没。由于训练基于少量分割的晶胞级真实图像，该方法可轻易推广至其他二维材料。因此，我们的结果勾勒出以最小化数据集训练模型的新途径，为充分挖掘机器学习（ML）在广大材料科学界的应用潜力提供了良机。
引用
@article{arxiv.2311.14936,
title = {Single-image based deep learning for precise atomic defects identification},
author = {Kangshu Li and Xiaocang Han and Yanhui Hong and Yuan Meng and Xiang Chen and Junxian Li and Jing-Yang You and Lin Yao and Wenchao Hu and Zhiyi Xia and Guolin Ke and Linfeng Zhang and Jin Zhang and Xiaoxu Zhao},
journal= {arXiv preprint arXiv:2311.14936},
year = {2023}
}