来自 ISMN-CNR 的研究人员推出了 GrapheNet，这是一个基于 Inception-Resnet 架构的深度学习框架，它使用类似图像的结构特征编码来预测纳米石墨的特性。
GrapheNet 框架图。图片来自《科学报告》
据说，通过利用准二维系统的平面性，并通过将结构编码成图像，以及利用图像处理中深度学习的灵活性和强大功能，Graphenet 在预测纳米石墨烯的物理化学性质方面实现了显著的准确性。
这种方法能够有效地编码由数百个原子组成的结构，随着模型大小的增加而有效地扩展，并能够预测大型系统的特性，这与当前深度学习应用中原子级表示的局限性形成了鲜明对比。
基于图像编码提出的方法具有显著的数值精度，其计算效率优于目前原子水平的材料表征，尤其在纳米结构和大型平面系统的表征方面具有显著优势。
为了开发 GrapheNet 方法，研究小组利用了纳米石墨的准二维形态与图像标准编码之间的拓扑相关性。GrapheNet 框架在氧化石墨烯 (GO) 和缺陷纳米石墨烯 (DG) 样品的数据集上进行了测试。
文献信息
Forni, T., Baldoni, M., Le Piane, F. et al. GrapheNet: a deep learning framework for predicting the physical and electronic properties of nanographenes using images. Sci Rep 14, 24576 (2024). https://doi.org/10.1038/s41598-024-75841-z
本文来自graphene-info，本文观点不代表石墨烯网立场，转载请联系原作者。
