利用人工神经网络算法识别和表征原子级厚度材料

二维材料是一类仅有原子级厚度的新型薄膜材料。目前二维材料成员已多达几百种，并且各种二维材料会组合在一起，形成异质结或超晶格来构筑功能器件。然而，各种二维材料的外观颜色极其相似，难以快速辨别。过去人们通常需要使用原子力显微镜，X射线衍射，扫描电镜，透射电镜等多种昂贵的设备和繁琐的流程来识别与表征。因此，一种快速、无损、高准确率的识别/表征技术对二维材料及器件应用至关重要。

机器学习是一种基于大量数据的计算分析方法，能够通过建立模型自动做出决策，是人工智能的一个重要分支。几十年来，机器学习已经深刻影响到工业与社会发展的方方面面，如人们熟悉的图像识别技术可以快速实现人脸识别、分析生物医学图像等功能。其中人工神经网络（ANN）就是一种快速而高效的机器学习算法，它能通过捕捉光学图像信息中一系列细微差别来对研究对象做出判断。郝玉峰课题组首先通过提取二维材料光学显微镜（OM）图片中每个像素的特征量RGB（红、绿、蓝）及HSV（色调、饱和度、数值）作为算法的输入值，建立了一种基于人工神经网络的模型（图1），该模型可以对8种不同层数的二维材料进行快速分类（图2），平均准确率达96%。

图1 (a)训练和预测流程图；

(b) 人工神经网络模型示意图

图2 利用人工神经网络算法对二维材料进行识别。

(a)用于测试的OM图片；

(b)预测的结果以及颜色标尺；

(c)材料的RGB空间分布；(d)材料的HSV空间分布

二维材料异质结的界面特征对于器件性能有重要影响，通常需要拉曼光谱和透射电镜技术等表征方法，过程繁琐。这一基于人工神经网络算法的技术仅通过OM图片中的信息就可快速判断异质结的界面特征，结果与拉曼平面扫描的结果一致（图3），因此这一方法将对异质结的构筑工艺发挥重要辅助作用。