یادگیری عمیق برای بررسی تصاویر میکروسکوپی مواد دوبعدی استفاده شد

محققان نشان دادند که یادگیری عمیق می‌تواند برای بررسی تصاویر میکروسکوپی از مواد دو بعدی مورد استفاده ‌گیرد و شاخص‌هایی نظیر ضخامت لایه‌ها با این روش مشخص شود.

ابعاد کاهش یافته و ناهمگونی مواد دوبعدی آن‌ها را به گزینه‌های امیدوارکننده برای ساخت دستگاه‌های فوتونیک و نوری تبدیل می‌کند. خواص الکتریکی، مکانیکی و نوری مواد دوبعدی به ساختار لایه‌ای آن‌ها بستگی دارد.

مقاله‌ای که به تازگی در مجله Advanced Theory and Simulations منتشر شده است، یک روش شناسایی تقریبی را برای تعیین ضخامت مواد دو بعدی با استفاده از رویکردهای جدید یادگیری عمیق مورد بحث قرار داده است. مجموعه داده‌های میکروسکوپی از طریق معماری یادگیری عمیق برای طبقه‌بندی، تقسیم‌بندی و تشخیص پردازش شدند.

در قدم بعد، با تغییرات کنتراست نوری، ارزیابی تصاویر با میکروسکوپ دوبعدی انجام شد. علاوه بر این، مدل‌های یادگیری عمیق برای شناسایی تک‌لایه‌های سولفید مولیبدن (MoS2) که روی بستر سیلیس/سیلیکون (SiO2/Si) از طریق رسوب شیمیایی بخار (CVD) رشد کرده‌اند، بهینه‌سازی و ارزیابی شدند.

با توجه به اینکه این مواد دارای خواص مکانیکی، نوری و الکتریکی فوق‌العاده‌ای بوده و از ابعاد نانومتری نیز برخوردار هستند، ساخت دستگاه‌های نانوفوتونیکی، نانواپتیکی و کوانتومی با مواد دو بعدی آسان‌تر شده است.

میکروسکوپ نیروی اتمی (AFM)، تصویربرداری فوتولومینسانس، بیضی‌سنجی و طیف‌سنجی رامان روش‌‌های تحلیلی رایج برای اندازه‌گیری ضخامت لایه‌های دوبعدی هستند.

روش‌های مبتنی بر یادگیری عمیق در پردازش تصویر، به عنوان داده‌های خام از میکروسکوپ یا طیف سنجی به دست می‌آیند. اگرچه یادگیری عمیق برای شناسایی خودکار با استفاده از تصاویر میکروسکوپی مورد بررسی قرار گرفته، اما مطالعه گسترده آن‌ها در مورد وظایف بصری کامپیوتری در مواد دوبعدی چندان مورد مطالعه قرار نگرفته است.

در این پروژه، تصاویر میکروسکوپی میدان روشن برای شناسایی لایه های اتمی دقیق نیمه‌هادی‌های دوبعدی از طریق راهبرد بصری کامپیوتری استفاده شد. معماری شبکه عصبی مختلف برای سه کار مختلف به کار گرفته شد، DenseNet برای طبقه‌بندی، U-Net برای کار تقسیم‌بندی و Mask-RCNN برای کار تشخیص استفاده شد. علاوه بر این، از استراتژی‌های نمونه‌گیری کنتراست گاما برای آموزش مدل‌های شبکه عصبی بر اساس مدل‌های DenseNet، U-Net و Mask-RCNN استفاده شد.

در این پروژه DenseNet، U-Net، و Mask R-CNN، سه رویکرد یادگیری عمیق را برای طبقه‌بندی، تقسیم‌بندی و تشخیص تصاویر میکروسکوپی از مواد دوبعدی برای نقشه‌برداری خودکار لایه اتمی پیاده‌سازی کرد. لایه‌های MoS2 روی بسترهای SiO2/Si با لایه اکسیداسیون ۲۷۰ نانومتری رشد داده شده بودند که با این فناوری مورد بررسی قرار گرفتند.