Detecting Atomic Scale Surface Defects in STM of TMDs with Ensemble Deep Learning

要約

原子スケールの欠陥検出は、U-Net のような畳み込みニューラル ネットワークのアンサンブルを使用した単結晶 WSe2 の走査型トンネル顕微鏡画像で示されています。
標準的なディープ ラーニング テスト メトリクスは、平均 F1 スコア 0.66 という良好な検出パフォーマンスを示し、WSe2 の C-AFM 画像および MoSe2 の STM 画像に対するアンサンブルの一般化を実証しました。
欠陥座標は欠陥検出マップから自動的に抽出され、機械学習によって強化された STM 画像解析を使用してサンプル特性評価のスループットを大幅に向上できることが示されました。

要約(オリジナル)

Atomic-scale defect detection is shown in scanning tunneling microscopy images of single crystal WSe2 using an ensemble of U-Net-like convolutional neural networks. Standard deep learning test metrics indicated good detection performance with an average F1 score of 0.66 and demonstrated ensemble generalization to C-AFM images of WSe2 and STM images of MoSe2. Defect coordinates were automatically extracted from defect detections maps showing that STM image analysis enhanced by machine learning can be used to dramatically increase sample characterization throughput.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google