Nano Letters：深度学习识别原子分辨率STEM图像

目前，扫描透射电子显微镜（STEM）是对各种材料进行原子分辨率结构分析不可或缺的工具。STEM图像的传统分析是一个广泛的动手过程，这限制了对高通量数据的有效处理。

在此，韩国延世大学Kwanpyo Kim等人应用全卷积网络（FCN）来识别二维晶体的原子分辨率STEM图像中的重要结构特征。具体而言，作者创建了一个FCN 来处理MoS₂（一种典型的过渡金属二硫属化物），以展示其在识别硫空位和不同多晶型构型方面的实用性。

其中，ResUNet作为一种FCN，主要使用包含不同级别的噪声、畸变和碳污染的模拟STEM图像进行训练。作者在第一个卷积层中使用了具有5个残差块和32个过滤器的ResUNet架构，以及一个Keras生成器来加载用于空位和多态检测的训练集。为了训练，作者指定了一个半径为 0.95 Å的圆形区域作为硫空位标签。空缺检测模型使用7×7像素的内核大小和10000 张图像进行训练，5000张图像进行验证。多态模型使用7×7像素的内核大小和63157幅图像进行训练，17319幅图像进行验证。

图1. 用于识别点缺陷和MoS₂多晶型的FCN

结果显示，在1000次迭代训练下，模拟STEM图像的训练和验证准确率达到0.98以上，损失函数降低到0.01的水平。接下来，硫空位的模型预测通过合成的和故意产生缺陷的MoS₂样品的实验 STEM图像进行了测试，这证实了空位分配的模型准确性与基于原子位置的局部强度的劳动密集型分析相当。另一个FCN接受了多晶型识别训练，并成功地从 MoS₂的实验STEM图像中识别出各种堆叠多晶型。在碳污染严重的地区，多态模型预测的趋势符合基于原子位点局部强度调制的预测。

这些结果表明，所开发的模型可以应用于具有不同程度的碳污染和其他噪声源的各种图像。此外，当前的模型可扩展到研究MoS₂之外的各种2D 晶体中的相似结构特征，为训练用于STEM图像分析的深度学习模型的最佳实践提供了指导。

图2. 使用FCN从MoS₂的实验STEM图像中识别多晶型物

STEM Image Analysis Based on Deep Learning: Identification of Vacancy Defects and Polymorphs of MoS₂, Nano Letters 2022. DOI: 10.1021/acs.nanolett.2c00550