InfoMat: 学不可以已——机器学习视角下的原子缺陷研究

原子缺陷的结构和密度在调控众多二维材料物性方面扮演着重要角色。球差矫正扫描透射电子显微学的发展使得人们可以在实空间下亚埃尺度直接成像二维材料的原子结构,获取原子缺陷信息,进而建立缺陷结构和物性之间的关联。但是,在传统的基于原子序数衬度的直方图分析方法中,原子分辨扫描透射图像的缺陷分析主要聚焦于局部区域,不仅容易产生人为误差,而且图像处理效率和精度较低,很难在复杂体系中建立可靠的结构和性能之间的关系。因此,面对球差矫正扫描透射电镜所带来的高通量数据、多样化的结构信息,迫切需要先进的数据处理方法进行高效、高精度地图像处理。计算机视觉和机器学习在过去的几十年取得了巨大的进步,在材料科学领域的应用不断扩大。开发利用机器学习分析原子分辨扫描透射电镜图像中的结构缺陷已成为一个全新的高通量、高准确度的结构分析途径。通过机器学习可以揭露通常被忽略的一些见解和数据之间的深度关联,为建立更加全面的材料结构与性能之间的联系、设计新材料提供新的契机。

为此,新加坡国立大学赵晓续博士和Stephen J. Pennycook 教授在InfoMat (DOI: 10.1002/inf2.12026)上发表了题为“A machine perspective of atomic defects in scanning transmission electron microscopy”的专刊文章,全面总结了机器学习在高通量和高准确度扫描透射电镜数据分析、原子结构缺陷识别方面的应用。文章首先简述了二维材料中缺陷拓扑结构、缺陷密度与宏观物性之间的关联,突出了原子分辨扫描透射电镜在表征缺陷原子结构细节方面的关键作用。随后,介绍了实空间下原子分辨扫描透射电镜图像定量处理的统一框架,并对定量原子结构分析涉及的三个阶段(即原子列测定、信息表示和结构识别)所使用的主要方法进行了系统论述。最后,文章总结了机器学习在揭示材料深度的关联信息所面临的挑战,并指出机器学习与扫描透射成像的结合将在发现新结构、缺陷动力学控制、纳米制造等领域发挥巨大的应用潜力。同时,通过自动化的机器学调控材料缺陷有望为高性能材料与器件的发展铺平道路。