石墨烯和六方氮化硼结构的自动图像采集与分析

最近发表在《科学报告》（Scientific Reports）上的一篇文章详细描述了石墨烯和单层六方氮化硼（hBN）在低能量氩离子照射下诱发的无序结构的特征。该研究采用自动扫描透射电子显微镜（STEM）成像技术和基于卷积神经网络的分析方法来研究这些结构变化。

背景

空位、拓扑缺陷或晶界会对二维（2D）材料的特性产生重大影响。例如，氢化硼中的点缺陷可用作量子发射器，在宽温度范围内具有高稳定性、明亮的零声子线发射、宽光谱覆盖以及室温下的潜在寿命限制发射等特性。

同样，通过电子辐照对石墨烯进行非晶化处理，可以产生独立、连续和稳定的单层非晶碳。然而，准确表征无定形或高度缺陷材料的结构仍然具有挑战性。

获得原子分辨率信息的两种实用方法是扫描探针显微镜和 STEM。特别是 STEM，它在分析大面积样品时更具可扩展性，但需要独立的二维材料试样。自动图像分析技术可帮助解决其中一些限制，提高结构表征的效率和准确性。

制备方法

使用 Graphenea©（石墨烯）和 Graphene Supermarket（hBN）的市售材料，通过化学气相沉积（CVD）在金质 Quantifoil STEM 载网上制备石墨烯和 hBN 样品。

清洁时，石墨烯样品使用二极管激光器（445 nm）进行处理，而一个 hBN 样品则在 STEM 成像柱内进行激光脉冲清洁。另一个缺陷密度较高的 hBN 样品则在 500 °C 的超高真空（UHV）加热台上退火一小时。在这些步骤之后，使用微波等离子源对样品进行低能离子辐照。

辐照后，在超高真空条件下通过 STEM 对样品进行成像。石墨烯在 40 千伏电压下成像，氢化硼在 60 千伏电压下成像。通过自动图像采集，可以捕捉到大面积（每个横向维度数百纳米）的原子分辨率图像，并进行额外的半自动成像进行比较。

每个数据集由数百张图像组成，使用由三个步骤组成的自动流水线进行分析：神经网络预处理、核心神经网络处理和结果后处理。预处理模型是在 170 幅随机选取的石墨烯和氢化硼实验图像上进行训练的，这些图像主要来自低缺陷和中等缺陷状态。

神经网络为每张输入图像生成原子密度分割图。然后在后处理步骤中对这些图进行分析，以确定原子位置，从而详细了解样品的结构特征。

结果与讨论

石墨烯和氢化硼结构显示出明显的差异。在最高缺陷密度下，石墨烯呈现出无序结构，并带有大量非六角形碳环（非形态化）。相比之下，有缺陷的氢化硼在很大程度上保留了其原始晶体结构，只有极少量的非六角环。

使用稳定的 Delaunay 图形对石墨烯进行后处理，可获得有关缺陷面积、缺失原子和环尺寸的数据。这种方法对于中低缺陷密度的石墨烯非常有效，无需手动输入。然而，在高缺陷密度下，由于广泛的晶格非晶化，大多数缺陷都超出了成像视野。在这种情况下，晶格多边形环尺寸是结构缺陷的指标。

对于氢化硼，后处理涉及多个步骤，包括去除无效的原子位置，如图像边界或污染内的原子位置。这一过程确定了连接缺失原子的数量及其种类。与石墨烯一样，核心模型也能准确识别不同缺陷程度的原子位置，但在评估孔隙结构方面却显得力不从心。对于高度缺陷的氢化硼，可根据成像区域和多孔区域估算局部晶格损伤。

预处理神经网络在处理多孔氢化硼和高缺陷石墨烯时遇到困难，需要手动选择阈值来计算多孔或缺陷区域。相比之下，针对石墨烯和氢化硼的后处理神经网络模型在中低缺陷密度方面表现良好。然而，这些模型仅限于训练数据集内的特征，对更复杂结构的外推能力微乎其微。