KI-gesteuertes Bildverarbeitungs-Framework zur hochgenauen Erkennung und Charakterisierung von Vakanzstellen in 2D-Materialien

Warum winzige Lücken in ultradünnen Materialien wichtig sind

Von flexiblen Handys über ultrasensitive Sensoren bis hin zu Quantenbauelementen: Viele zukünftige Technologien beruhen auf ultradünnen „Folie“-Materialien, die nur eine Atomlage dick sind. Diese empfindlichen Schichten sind jedoch selten perfekt: Sie enthalten winzige Lücken, an denen Atome fehlen. Diese unsichtbaren Poren können die Leistung eines Bauteils entscheidend verbessern oder verschlechtern. Die hinter dieser Zusammenfassung stehende Arbeit stellt eine neue Methode der künstlichen Intelligenz (KI) vor, die solche Lücken schnell und kostengünstig aus gewöhnlichen Bildern erkennt und vermisst – ein Ansatz, der die Entwicklung besserer Elektronik- und Quantenmaterialien beschleunigen könnte.

Ultradünne Materialien mit großem Potenzial

Materialien wie Graphen, Phosphoren und Molybdändisulfid sind für ihre außergewöhnliche Festigkeit, Leitfähigkeit und lichttechnischen Eigenschaften bekannt – alles konzentriert in einer einzigen Atomlage. Ingenieure wollen sie in der Nanoelektronik, Photonik und Quanten-technologie einsetzen. Ihre Eigenschaften reagieren jedoch sehr empfindlich auf Fehler. Fehlende Atome, sogenannte Vakanzstellen, können ein Bauteil schwächen oder, wenn sie kontrolliert auftreten, nützliche Effekte erzeugen, etwa neue elektronische Zustände oder Sensorstellen. Um diese Defekte gezielt zu nutzen statt ihnen zum Opfer zu fallen, müssen Forschende genau wissen, wo die Vakanzstellen liegen, wie groß sie sind und wie viele in einer bestimmten Fläche vorkommen.

Das Problem mit heutigen Nahaufnahme-Werkzeugen

Konventionelle Methoden zur Untersuchung dieser winzigen Lücken nutzen entweder starke Mikroskope, die einzelne Atome sichtbar machen, oder aufwändige Computersimulationen, die jede atomare Bewegung modellieren. Techniken wie die Transmissions-Elektronenmikroskopie und Molekulardynamik sind zwar sehr genau, aber langsam, teuer und kaum auf Tausende von Proben skalierbar. Selbst neuere, schwingungsbasierte Methoden, die Defekte aus der Schwingungseigenschaft einer Schicht ableiten, erreichen nur rund 90 % Genauigkeit und benötigen noch komplexe physikalische Modelle. Mit der wachsenden Vielfalt an zweidimensionalen Materialien werden diese Einschränkungen zu einem ernsthaften Engpass bei der Entdeckung und Optimierung neuer Bauteile.

Der KI beibringen, Muster in Graustufenbildern zu lesen

Der Autor schlägt ein KI-Framework vor, das die atomgenaue Inspektion überspringt und stattdessen aus Mustern in einfachen Graustufenbildern lernt. Zunächst werden realistische Bilder von drei Typen 2D-Materialien erzeugt, die jeweils zufällig angeordnete kreisförmige Löcher unterschiedlicher Größe enthalten. Diese Bilder werden in schwarz-weiß Intensitätskarten umgewandelt, in denen die Löcher als hellere Regionen erscheinen. Anstatt jeden Pixel direkt in ein neuronales Netz zu geben, komprimiert die Methode jedes Bild in einen sorgfältig ausgewählten Satz von 25 numerischen Merkmalen. Diese Merkmale erfassen, wie Helligkeit über Zeilen und Spalten verteilt ist, die Form und Kompaktheit jedes Lochs sowie die allgemeine Bildtextur. Sie sind so gestaltet, dass eine Vakanz in diesen Zahlen eine klar erkennbare „Signatur“ hinterlässt.

Wie die Maschine lernt, fehlende Atome zu finden

Mit Tausenden simulierten Bildern und den bekannten Positionen und Größen der Löcher als Trainingsdaten werden mehrere Modelle des maschinellen Lernens getestet. Ein baumbasiertes Verfahren namens Random Forest erweist sich als bester Kompromiss zwischen Genauigkeit, Geschwindigkeit und Interpretierbarkeit. Es lernt, die 25 Merkmale in präzise Vorhersagen der horizontalen und vertikalen Position sowie des effektiven Radius jedes Lochs zu übersetzen. Für Graphen erreicht das trainierte Modell Testgenauigkeiten von über 96 %, mit besonders guter Leistung bei der Vorhersage der Lochgröße. Ein statistisches Werkzeug namens SHAP wird eingesetzt, um zu untersuchen, welche Merkmale am wichtigsten sind, und zeigt beispielsweise, dass die durchschnittliche Lage des stärksten Helligkeitspeaks entscheidend für die Bestimmung der vertikalen Koordinate ist. Der Ansatz funktioniert auch bei mehreren Vakanzstellen in derselben Schicht: Das Bild wird segmentiert und jede Region nacheinander analysiert, wobei vorhergesagte Lochgrößen und -dichten eng an den wahren Werten liegen.

Von der Simulation zu realen Materialien

Da das Framework auf Standard-Graustufenbildern arbeitet, lässt es sich prinzipiell auf Aufnahmen gängiger Mikroskope anwenden, ohne spezielle Messanordnungen zu fordern. Es ist zudem allgemein genug, unterschiedliche Gittermuster zu verarbeiten, wie Tests an Graphen, Phosphoren und Molybdändisulfid zeigen. Die Methode reduziert sowohl experimentelle als auch rechnerische Kosten im Vergleich zu traditionellen Techniken drastisch und liefert dabei detaillierte numerische Informationen statt nur einer binären Aussage „Defekt vorhanden oder nicht“. Obwohl diese Studie hauptsächlich auf simulierten Daten basiert, skizziert sie einen Weg zum Aufbau gemeinsamer experimenteller Bilddatenbanken und zur Nutzung des Modells als Werkzeug für die Forschungsgemeinschaft.

Was das für künftige Bauteile bedeutet

Einfach ausgedrückt zeigt diese Arbeit, dass eine kluge Kombination aus Bildverarbeitung und maschinellem Lernen wie ein automatischer Prüfer für atomdünne Materialien wirken kann und winzige Lücken mit hoher Zuverlässigkeit erkennt und vermisst. Indem einfache Bilder in reichhaltige numerische Beschreibungen verwandelt und anschließend von einem KI-Modell interpretiert werden, gewinnen Forschende einen schnellen, nicht-destruktiven Weg, Defekte über viele Proben hinweg zu kartieren. Das könnte das gezielte Einstellen von Vakanzstellen zur Verbesserung von Leitfähigkeit, Festigkeit oder Quantenverhalten beschleunigen und helfen, die nächste Generation von Nanoelektronik und Quantentechnologien vom Labor in den Alltag zu bringen.

Zitation: Alibagheri, E. AI-driven image processing framework for high-accuracy detection and characterization of vacancies in 2D materials. npj 2D Mater Appl 10, 44 (2026). https://doi.org/10.1038/s41699-026-00667-4

Schlüsselwörter: 2D-Materialien, Vakanzdetektion, Maschinelles Lernen, Bildanalyse, Graphen