SparseC-AFM：一种用于C-AFM快速准确表征MoS$_2$的深度学习方法
计算机视觉与模式识别
2026-02-03 v1 材料科学
摘要
二维（2D）材料在纳米电子学中的日益广泛应用，需要稳健的计量技术来进行电学表征，特别是对于大规模生产。虽然原子力显微镜（AFM）技术如导电AFM（C-AFM）提供了高精度，但由于光栅扫描过程，其数据采集速度较慢。为了解决这个问题，我们引入了SparseC-AFM，这是一种深度学习模型，能够从稀疏的C-AFM扫描中快速准确地重建MoS等二维材料的电导率图。我们的方法在各种扫描模式、基底和实验条件下都具有鲁棒性。我们报告了（a）经典流程实现（即手动解析高像素密度C-AFM图像（例如，收集需要15分钟）以提取相关材料参数）与（b）我们的SparseC-AFM方法（使用所需采集时间显著减少的数据（例如，少于5分钟）实现相同操作）之间的比较。SparseC-AFM能够高效提取MoS中的关键材料参数，包括薄膜覆盖率、缺陷密度以及晶体岛边界、边缘和裂纹的识别。与从全分辨率C-AFM图像手动提取相比，我们实现了超过11倍的采集时间减少。此外，我们证明了模型预测的样本表现出与使用经典流程扫描的全分辨率数据非常相似的电学特性。这项工作代表了将AI辅助的二维材料表征从实验室研究转化为工业制造的重要一步。代码和模型权重可在github.com/UNITES-Lab/sparse-cafm获取。
引用
@article{arxiv.2507.13527,
title = {SparseC-AFM: a deep learning method for fast and accurate characterization of MoS$_2$ with C-AFM},
author = {Levi Harris and Md Jayed Hossain and Mufan Qiu and Ruichen Zhang and Pingchuan Ma and Tianlong Chen and Jiaqi Gu and Seth Ariel Tongay and Umberto Celano},
journal= {arXiv preprint arXiv:2507.13527},
year = {2026}
}