מסגרת עיבוד תמונה מונעת-בינה מלאכותית לגילוי ואפיון דיוק גבוה של ריקות בחומרים דו־ממדיים

מדוע פערים זעירים בחומרים על־דקים חשובים

מהשקות גמישות ועד חיישנים רגישים במיוחד ומכשירים קוונטיים — טכנולוגיות רבות עתידיות נשענות על שכבות על־דקות בעובי אטום יחיד. אך שכבות עדינות אלה נפוצות נדירות בהשלמות: הן מלאות בפערים זעירים שבהם חסרים אטומים. נקבים בלתי נראים אלה יכולים להכריע את ביצועי המכשיר. המאמר שמאחורי הסיכום הזה מציג שיטת בינה מלאכותית חדשה המסוגלת לזהות ולמדוד פערים כאלה במהירות ובזול מתמונות רגילות, מה שעשוי להאיץ את תכנוןם של אלקטרוניקה וחומרים קוונטיים משופרים.

חומרים על־דקים עם פוטנציאל ענק

חומרים כמו גרפן, פוספורן ודיסולפיד המוליבדן ידועים בעוצמתם, מוליכויותם ויכולתם לטפל באור — כולם דחוסים לשכבה בעובי אטום יחיד. מהנדסים מקווים להשתמש בהם בננואלקטרוניקה, פוטוניקה וטכנולוגיות קוונטיות. יחד עם זאת, תכונותיהם רגישות מאוד לפגמים. אטומים חסרים, המכונים ריקות, עלולים להחליש מכשיר או, אם מווסתים במתכוון, ליצור אפקטים שימושיים כגון מצבים אלקטרוניים חדשים או אתרי חישה. כדי למנף פגמים אלה במקום להיות פגיעה, החוקרים נדרשים לדעת בדיוק היכן הריקות נמצאות, מה גודלן וכמה מהן קיימות בשטח נתון.

הבעיות בכלים המקובלים לצילום בקירוב

שיטות מסורתיות לחקירת פערים זעירים אלה כוללות או מיקרוסקופים רבי־עוצמה היכולים לראות אטום־אחד־אחד או סימולציות כבדות שמדמות כל תנועת אטום. טכניקות כמו מיקרוסקופיה טרנסמיסיבית (TEM) ודינמיקת מולקולות יכולות להיות מדויקות מאוד, אך הן איטיות, יקרות וקשות להרחבה לאלפי דגימות. אפילו שיטות מבוססות רטט שמסיקות פגמים מתוך האופן שבו השכבה רוטטת מגיעות בקושי לדיוק של סביב 90% ועדיין תלויות במודלים פיזיקליים מורכבים. ככל שספריית החומרים הדו־ממדיים מתרחבת, מגבלות אלה הופכות לצוואר בקבוק משמעותי לגילוי ואופטימיזציה של מכשירים חדשים.

ללמד בינה מלאכותית לקרוא דפוסים בתמונות אפורות

המחבר מציע מסגרת בינה מלאכותית שמדלגת על בדיקה אטום־אחר־אטום ולומדת במקום זאת מדפוסים בתמונות פשוטות בגווני אפור. תחילה מייצרים תמונות מציאותיות של שלושה סוגי יריעות דו־ממדיות, שכל אחת מהן מכילה חורים מעגליים ממוקמים אקראית בגדלים שונים. התמונות מומרות למפות עוצמת שחור־לבן, שבהן החורים מופיעים כאזורים בהירים יותר. במקום להזין כל פיקסל ישירות לרשת נוירונים, השיטה מדחסת כל תמונה לקבוצת־מבחר של 25 תכונות מספריות. תכונות אלה לוכדות כיצד הבהירות מתפלגת לאורך שורות ועמודות, את צורתם וקומפקטיותם של כל החורים ואת המרקם הכולל של התמונה. הן נועדו כך שריקה תשאיר "חתימה" ברורה במספרים אלה.

כיצד המכונה לומדת למצוא אטומים חסרים

עם אלפי תמונות מדומות ומיקומי וגודלי החורים הידועים כנתוני אימון, נבחנות מספר מודלים של למידת מכונה. שיטה מבוססת עצים הנקראת יער אקראי (Random Forest) מתבררת כהאיזון הטוב ביותר בין דיוק, מהירות ופרשנות. היא לומדת להמיר את 25 התכונות לניבויים מדויקים של מיקום כל חור במאוזן ובמאונך ורדיוסו היעיל. עבור גרפן, המודל המאומן משיג דיוקי מבחן מעל 96%, עם ביצועים מצטיינים במיוחד בגודל החור. כלי סטטיסטי בשם SHAP משמש לחקירת אילו תכונות משפיעות ביותר, וחושף, לדוגמה, שהמיקום הממוצע של שיא הבהירות החזק חשוב במיוחד לקביעת הקואורדינטה המאונכת. הגישה עובדת גם כאשר קיימים מספר ריקות באותה יריעה: התמונה ממוינת לאזורים וכל אזור מנותח לפי סדרו, כאשר גדלי החורים והצפיפויות החזויות תואמות בקירוב לערכים האמיתיים.

מהסימולציה לחומרים במציאות

מכיוון שהמסגרת פועלת על תמונות רגילות בגווני אפור, ניתן עקרונית להחיל אותה על תמונות ממיקרוסקופים נפוצים ללא צורך בציוד מיוחד. היא גם כללית מספיק להתמודד עם דפוסי סריג שונים, כפי שהודגם בבדיקה על גרפן, פוספורן ודיסולפיד המוליבדן. השיטה מצמצמת משמעותית הן את העלויות הניסיוניות והן את העלויות המחשוביות לעומת טכניקות מסורתיות, ומספקת מידע מספרי מפורט במקום רק קביעה של "פגם קיים או לא". למרות שהמחקר נשען בעיקר על נתונים מדומים, הוא מפרט נתיב לבניית מאגרי תמונות ניסיוניים משותפים ולהפעלת המודל ככלי קהילתי.

מה זה אומר למכשירים בעתיד

במילים פשוטות, עבודה זו מראה כי שילוב חכם של עיבוד תמונה ולמידת מכונה יכול לפעול כבודק אוטומטי לחומרים בעובי אטום, לזהות ולמדוד פערים זעירים בביטחון גבוה. על ידי המרת תמונות פשוטות לתיאורים מספריים עשירים ולאחר מכן מתן פירוש על ידי מודל בינה מלאכותית, החוקרים מקבלים כלי מהיר וללא הרס למיפוי פגמים על פני דגימות רבות. זה יכול להאיץ את כיוונון הריקות לשיפור מוליכות, חוזק או התנהגות קוונטית, ולסייע בהעברת ננואלקטרוניקה וטכנולוגיות קוונטיות מדור המחקר לשימוש יומיומי.

ציטוט: 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

מילות מפתח: חומרים דו־ממדיים, גילוי ריקות, למידת מכונה, ניתוח תמונה, גרפן