二维材料薄片的自动搜索工具

亚琛石墨烯和二维材料中心的研究人员发布了一个开源平台，可以自动识别和分类基底上二维（2D）材料的剥离薄片，从而缩短了2D 材料研究中最耗时和繁琐的任务之一。

Si/SiO₂基底上六方氮化硼 (hBN) 的剥离薄片。红色轮廓表示厚度约为 5 纳米、尺寸约为 50μm x 50μm 的薄片。

在 2013 年关于范德华异质结构的透视文章中，Geim 和 Gregorieva 介绍了二维材料与原子大小的乐高积木的有效类比。这个类比不仅很好地说明了通过堆叠不同的 2D 材料可以实现的各种结构，而且还说明了制造过程中的一个常见瓶颈：找到合适的部件。正如任何狂热的乐高拼搭者都知道的那样，找到一块尺寸和形状合适的乐高积木需要时间和耐心。在 2D 材料领域也是如此，研究人员经常在显微镜下花费数小时手动扫描剥离的 2D 材料薄片，以找到具有所需特性的晶体。亚琛工业大学 Christoph Stampfer 教授团队现已开发出一种有效的工具来自动检测和分类 2D 材料薄片，并公开了源代码。

“我们的目标是开发一种真正有竞争力的替代方案，由耐心且训练有素的研究人员进行手动搜索，”该项目的主要推动者 Jan-Lucas Uslu 说道。Uslu 和他的同事开发的全自动工作流程从剥离过程的最后开始，此时薄片沉积在氧化硅基材上。使用经典的机器学习模型和带有电动扫描台和电动物镜旋转镜的显微镜，该系统能够可靠地检测和分类基材上存在的所有薄片，指示每个薄片的层数及其形状和尺寸。然后，所有这些信息以及以各种分辨率拍摄的薄片图像都可以方便地存储在交互式数据库中。可以在此处访问交互式数据库的演示。

自动薄片搜索系统已经在 Stampfer 的实验室进行了两年多的测试。“开发这样一个工具的努力已经得到了回报，”斯坦普弗说。“我们不仅在组装异质结构方面变得更加高效，而且如果没有快速有效的方法来找到所需厚度的薄片，我们可能永远不会开始一些研究。” 一个例子是系统研究WS₂-石墨烯异质结构中的介电屏蔽与间隔层厚度的关系，间隔层的厚度从 1 到 16 个六方氮化硼原子层不等——如果没有薄片搜索工具，这是一项艰巨的任务。

自动薄片搜索工具的实现和相关工作流程现已在 IOP 期刊《机器学习：科学与技术》中报道，而源代码已通过GitHub公开发布在一个包中，其中包括控制软件和检测软件算法和训练例程，也可以用作独立软件来识别手动捕获的图像上的薄片。

除了速度和可靠性之外，检测算法的一个吸引人的特点是它可以仅在几张图像上进行训练，从而使新材料能够快速集成到工作流程中。“由于检测是基于材料的颜色对比度（这是一种物理特性），因此原则上可以用模拟来代替训练。” 乌斯鲁说。

自动薄片搜索工具的工作流程概述。图片来自Uslu 等人的原始手稿。

书目信息：

An open-source robust machine learning platform for real-time detection and classification of 2D material flakes

J.-L. Uslu, T. Ouaj, D. Tebbe, A. Nekrasov, J.H. Bertram, M. Schütte, K. Watanabe, T. Taniguchi, B. Beschoten, L. Waldecker, and C. Stampfer, Mach. Learn.: Sci. Technol. accepted (2024) (or: arXiv: 2306.14845)