STEM image analysis based on deep learning: identification of vacancy defects and polymorphs of ${MoS_2}$

要約

走査型透過電子顕微鏡（STEM）は、様々な材料の原子分解能の構造解析に不可欠なツールである。しかし、従来のSTEM像の解析は膨大な手作業が必要であり、ハイスループットなデータの効率的な取り扱いに限界があった。ここでは、2次元結晶の重要な構造的特徴の同定に完全畳み込みネットワーク（FCN）を適用する。FCNの一種であるResUNetを用い、原子分解能のSTEM画像から${MoS_2}$の硫黄空孔と多形体を同定することに成功した。ノイズ、収差、炭素汚染などの異なるレベルのシミュレーション画像を用いた学習により、効率的なモデルを実現した。FCNモデルの精度は、広範な実験STEM画像に対するものであり、入念な実地解析と同程度である。我々の研究は、STEM画像解析のためのディープラーニングモデルを訓練するためのベストプラクティスのガイドラインを提供し、大量のSTEMデータの効率的な処理のためのFCNのアプリケーションを実証している。

要約(オリジナル)

Scanning transmission electron microscopy (STEM) is an indispensable tool for atomic-resolution structural analysis for a wide range of materials. The conventional analysis of STEM images is an extensive hands-on process, which limits efficient handling of high-throughput data. Here we apply a fully convolutional network (FCN) for identification of important structural features of two-dimensional crystals. ResUNet, a type of FCN, is utilized in identifying sulfur vacancies and polymorph types of ${MoS_2}$ from atomic resolution STEM images. Efficient models are achieved based on training with simulated images in the presence of different levels of noise, aberrations, and carbon contamination. The accuracy of the FCN models toward extensive experimental STEM images is comparable to that of careful hands-on analysis. Our work provides a guideline on best practices to train a deep learning model for STEM image analysis and demonstrates FCN’s application for efficient processing of a large volume of STEM data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL