零-shot 自主显微成像用于2D材料的可扩展且智能表征
材料科学
2025-04-15 v1 介观与纳米尺度物理
人工智能
计算机视觉与模式识别
机器学习
摘要
原子尺度材料的表征传统上需要数月甚至数年的专业培训。即使是经过培训的专业人士，在检查新发现的材料（如二维（2D）结构）时，准确可靠的表征也颇具挑战性。这一瓶颈推动了需求，促使开发能够在无需大量训练数据集的情况下理解研究目标的完全自主实验系统。本文提出了ATOMIC（Autonomous Technology for Optical Microscopy & Intelligent Characterization，自主光学显微成像与智能表征技术），一个集成基础模型以实现2D材料完全自主、零-shot表征的端到端框架。该系统集成了视觉基础模型（即Segment Anything Model）、大语言模型（即ChatGPT）、无监督聚类和拓扑分析，以自动化控制显微镜、样品扫描、图像分割和智能分析，无需额外训练。针对典型MoS2样品，我们的方法在单层识别方面实现了99.7%的分割精度，相当于人类专家水平。此外，集成模型能够检测常规人眼难以辨识的晶界裂缝。进一步，该系统在包括焦点、色温变化和曝光变化等可变条件下仍保持稳健的准确性。适用于广泛的常见2D材料，包括石墨、MoS2、WSe2、SnSe，无论采用化学气相沉积还是机械剥离制造。本工作代表了采用基础模型实现自主分析的实现，确立了一种可扩展且数据高效的纳米尺度材料研究方法。
引用
@article{arxiv.2504.10281,
title = {Zero-shot Autonomous Microscopy for Scalable and Intelligent Characterization of 2D Materials},
author = {Jingyun Yang and Ruoyan Avery Yin and Chi Jiang and Yuepeng Hu and Xiaokai Zhu and Xingjian Hu and Sutharsika Kumar and Xiao Wang and Xiaohua Zhai and Keran Rong and Yunyue Zhu and Tianyi Zhang and Zongyou Yin and Jing Kong and Neil Zhenqiang Gong and Zhichu Ren and Haozhe Wang},
journal= {arXiv preprint arXiv:2504.10281},
year = {2025}
}
备注
13 pages, 4 figures