Cadre de traitement d’images piloté par l’IA pour la détection et la caractérisation haute précision des lacunes dans les matériaux 2D

Pourquoi de minuscules trous dans des matériaux ultra-fins comptent

Des téléphones flexibles aux capteurs ultrasensibles en passant par les dispositifs quantiques, de nombreuses technologies futures reposent sur des matériaux en « feuille » ultra-fins d’à peine un atome d’épaisseur. Mais ces couches délicates sont rarement parfaites : elles sont parsemées de minuscules vides où des atomes manquent. Ces micro-trous invisibles peuvent faire ou défaire les performances d’un dispositif. L’article résumé ici présente une nouvelle méthode d’intelligence artificielle (IA) capable de repérer et de mesurer rapidement et à moindre coût ces lacunes à partir d’images ordinaires, ce qui pourrait accélérer la conception d’électroniques et de matériaux quantiques améliorés.

Des matériaux ultra-fins au potentiel immense

Des matériaux comme le graphène, la phosphorène et le disulfure de molybdène sont réputés pour leur résistance, leur conductivité et leurs propriétés optiques remarquables, concentrées dans une couche d’un seul atome. Les ingénieurs espèrent les utiliser en nanoélectronique, photonique et technologies quantiques. Pourtant, leurs propriétés sont extrêmement sensibles aux défauts. Les atomes manquants, appelés lacunes, peuvent affaiblir un dispositif ou, s’ils sont maîtrisés, produire des effets utiles comme de nouveaux états électroniques ou des sites de détection. Pour exploiter ces défauts plutôt que d’en pâtir, les chercheurs doivent savoir précisément où se trouvent les lacunes, quelle est leur taille et quelle est leur densité dans une zone donnée.

Le problème des outils actuels en gros plan

Les méthodes classiques pour étudier ces minuscules vides impliquent soit des microscopes puissants capables de voir les atomes individuels, soit des simulations informatiques lourdes qui modélisent chaque mouvement atomique. Des techniques comme la microscopie électronique en transmission et la dynamique moléculaire peuvent être très précises, mais elles sont lentes, coûteuses et difficiles à déployer à l’échelle de milliers d’échantillons. Même les méthodes plus récentes basées sur les vibrations, qui infèrent les défauts à partir de la façon dont une feuille vibre, plafonnent autour de 90 % de précision et nécessitent encore des modèles physiques complexes. À mesure que la bibliothèque des matériaux bidimensionnels s’élargit, ces limitations deviennent un goulot d’étranglement sérieux pour la découverte et l’optimisation de nouveaux dispositifs.

Apprendre à l’IA à lire des motifs dans des images en niveaux de gris

L’auteur propose un cadre d’IA qui évite l’inspection atome par atome et apprend plutôt à reconnaître des motifs dans de simples images en niveaux de gris. D’abord, des images réalistes de trois types de feuillets 2D sont générées, chacune contenant des trous circulaires placés aléatoirement de tailles variées. Ces images sont converties en cartes d’intensité noir et blanc, où les trous apparaissent comme des régions plus lumineuses. Plutôt que d’alimenter chaque pixel directement dans un réseau de neurones, la méthode compresse chaque image en un ensemble soigneusement choisi de 25 caractéristiques numériques. Ces caractéristiques captent la distribution de la luminosité le long des lignes et des colonnes, la forme et la compacité de chaque trou, ainsi que la texture globale de l’image. Elles sont conçues de sorte qu’une lacune laisse une « signature » claire dans ces nombres.

Comment la machine apprend à repérer les atomes manquants

Avec des milliers d’images simulées et leurs positions et tailles de trous connues comme données d’entraînement, plusieurs modèles d’apprentissage automatique sont testés. Une méthode basée sur les arbres, appelée forêt aléatoire (random forest), s’impose comme le meilleur compromis entre précision, rapidité et interprétabilité. Elle apprend à convertir les 25 caractéristiques en prédictions précises de la position horizontale et verticale de chaque trou ainsi que de son rayon effectif. Pour le graphène, le modèle entraîné atteint des précisions de test supérieures à 96 %, avec des performances particulièrement bonnes pour la taille des trous. Un outil statistique appelé SHAP est utilisé pour sonder quelles caractéristiques importent le plus, révélant, par exemple, que la position moyenne du pic de luminosité le plus fort est cruciale pour préciser la coordonnée verticale. L’approche fonctionne également en présence de multiples lacunes sur la même feuille : l’image est segmentée et chaque région analysée à son tour, les tailles et densités de trous prédites correspondant étroitement aux valeurs réelles.

De la simulation aux matériaux réels

Puisque le cadre opère sur des images standards en niveaux de gris, il peut en principe s’appliquer aux images provenant de microscopes courants sans nécessiter de configurations spécialisées. Il est aussi suffisamment général pour traiter différents motifs de réseau, comme le montrent les tests sur le graphène, la phosphorène et le disulfure de molybdène. La méthode réduit drastiquement les coûts expérimentaux et informatiques par rapport aux techniques traditionnelles, tout en fournissant des informations numériques détaillées plutôt que de simples réponses « défaut présent ou non ». Bien que cette étude repose principalement sur des données simulées, elle trace une voie vers la construction de bases de données d’images expérimentales partagées et l’utilisation du modèle comme outil communautaire.

Ce que cela implique pour les dispositifs futurs

En termes simples, ce travail montre qu’une combinaison intelligente de traitement d’image et d’apprentissage automatique peut agir comme un inspecteur automatisé pour les matériaux atomiquement fins, repérant et mesurant avec confiance de minuscules lacunes. En transformant de simples images en descriptions numériques riches puis en laissant un modèle d’IA les interpréter, les chercheurs disposent d’un moyen rapide et non destructif de cartographier les défauts sur de nombreux échantillons. Cela pourrait accélérer l’ajustement des lacunes pour améliorer la conductivité, la résistance ou les propriétés quantiques, contribuant à faire passer la nanoélectronique et les technologies quantiques de nouvelle génération du laboratoire à l’usage courant.

Citation: 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

Mots-clés: matériaux 2D, détection de lacunes, apprentissage automatique, analyse d’image, graphène