Platforma przetwarzania obrazów napędzana przez AI do wykrywania i charakteryzowania wakansów w materiałach 2D z wysoką dokładnością

Dlaczego drobne ubytki w ultracienkich materiałach mają znaczenie

Od elastycznych telefonów po ultrasensytywne czujniki i urządzenia kwantowe — wiele przyszłych technologii opiera się na ultracienkich „arkuszach” materiałów o grubości zaledwie jednego atomu. Jednak te delikatne warstwy rzadko bywają idealne: są usiane drobnymi ubytkami, gdzie brakuje atomów. Te niewidoczne dziurki mogą zadecydować o działaniu urządzenia. Artykuł streszczony tutaj przedstawia nową metodę sztucznej inteligencji (AI), która potrafi szybko i tanio wykrywać i mierzyć takie ubytki na zwykłych obrazach, co może przyspieszyć projektowanie lepszej elektroniki i materiałów kwantowych.

Ultracienkie materiały o ogromnym potencjale

Materiały takie jak grafen, fosforen czy dwusiarczek molibdenu są znane z wyjątkowej wytrzymałości, przewodności i właściwości optycznych, skondensowanych w warstwie o grubości jednego atomu. Inżynierowie liczą na ich zastosowanie w nanoelektronice, fotonice i technologiach kwantowych. Ich właściwości są jednak niezwykle czułe na defekty. Braki atomów, zwane wakansami, mogą osłabić urządzenie lub — jeśli są kontrolowane — wywołać pożądane efekty, takie jak nowe stany elektronowe czy miejsca czujnikowe. Aby wykorzystać te defekty zamiast być przez nie ograniczanym, badacze muszą dokładnie wiedzieć, gdzie występują wakansy, jak duże są i ile ich przypada na określoną powierzchnię.

Problemy współczesnych narzędzi przybliżających

Konwencjonalne metody badania tych mikroubytków obejmują albo potężne mikroskopy potrafiące zobaczyć pojedyncze atomy, albo kosztowne symulacje komputerowe modelujące każdy ruch atomowy. Techniki takie jak transmisyjna mikroskopia elektronowa czy dynamika molekularna mogą być bardzo dokładne, ale są powolne, drogie i trudne do skalowania na tysiące próbek. Nawet nowsze metody oparte na wibracjach, które wnioskują o defektach na podstawie drgań arkusza, osiągają około 90% dokładności i wciąż wymagają złożonych modeli fizycznych. Wraz z rosnącą bazą materiałów dwuwymiarowych te ograniczenia stają się poważnym wąskim gardłem w odkrywaniu i optymalizacji nowych urządzeń.

Nauczanie AI rozpoznawania wzorców na obrazach w skali szarości

Autor proponuje ramy AI, które pomijają inspekcję atom po atomie i zamiast tego uczą się ze wzorców na prostych obrazach w skali szarości. Najpierw generowane są realistyczne obrazy trzech typów arkuszy 2D, z losowo rozmieszczonymi okrągłymi otworami o różnych rozmiarach. Obrazy te są zamieniane na mapy intensywności czarno-białej, gdzie otwory pojawiają się jako jaśniejsze rejony. Zamiast podawać każdy piksel bezpośrednio do sieci neuronowej, metoda kompresuje każdy obraz do starannie dobranego zestawu 25 cech liczbowych. Cechy te opisują rozkład jasności w wierszach i kolumnach, kształt i zwartość każdego otworu oraz ogólną teksturę obrazu. Zostały zaprojektowane tak, by wakans pozostawiał wyraźny „podpis” w tych liczbach.

Jak maszyna uczy się znajdować brakujące atomy

Dysponując tysiącami zasymulowanych obrazów z znanymi pozycjami i rozmiarami otworów jako danymi treningowymi, przetestowano kilka modeli uczenia maszynowego. Najlepszym kompromisem między dokładnością, szybkością i interpretowalnością okazała się metoda oparta na drzewach decyzyjnych zwana lasem losowym (random forest). Nauczyła się ona przekształcać 25 cech w precyzyjne przewidywania poziomej i pionowej pozycji każdego otworu oraz jego efektywnego promienia. Dla grafenu wytrenowany model osiąga ponad 96% dokładności na zbiorze testowym, z szczególnie dobrą skutecznością w estymacji rozmiaru otworu. Do analizy znaczenia cech użyto narzędzia statystycznego SHAP, które ujawniło na przykład, że średnia pozycja najsilniejszego piku jasności jest kluczowa do określenia współrzędnej pionowej. Podejście działa również przy wielu wakansach w tym samym arkuszu: obraz jest segmentowany, a każdy region analizowany osobno, przy czym przewidywane rozmiary i gęstości otworów odpowiadają wartościom rzeczywistym.

Od symulacji do materiałów rzeczywistych

Ponieważ ramy działają na standardowych obrazach w skali szarości, w praktyce można je stosować do zdjęć z powszechnych mikroskopów bez potrzeby specjalistycznych ustawień. Metoda jest też na tyle ogólna, że radzi sobie z różnymi wzorcami sieci krystalicznej, co pokazują testy na grafenie, fosforenie i dwusiarczku molibdenu. Rozwiązanie znacznie obniża zarówno koszty eksperymentalne, jak i obliczeniowe w porównaniu z tradycyjnymi technikami, dostarczając jednocześnie szczegółowych, numerycznych informacji, a nie jedynie odpowiedzi „defekt występuje czy nie”. Chociaż praca opiera się głównie na danych symulowanych, wyznacza ścieżkę do budowy wspólnych baz ekspertymentalnych obrazów i wykorzystania modelu jako narzędzia dostępnego dla społeczności.

Co to oznacza dla przyszłych urządzeń

Mówiąc prosto, praca ta pokazuje, że inteligentne połączenie przetwarzania obrazów i uczenia maszynowego może działać jak zautomatyzowany inspektor materiałów atomowo cienkich, wykrywając i mierząc drobne ubytki z wysoką pewnością. Zamieniając proste obrazy w bogate opisy liczbowe, a następnie pozwalając modelowi AI je interpretować, badacze zyskują szybki, nieinwazyjny sposób mapowania defektów na wielu próbkach. To może przyspieszyć regulację wakansów w celu poprawy przewodności, wytrzymałości lub zachowań kwantowych, pomagając przenieść nanoelektronikę i technologie kwantowe nowej generacji z laboratorium do codziennego użytku.

Cytowanie: 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

Słowa kluczowe: materiały 2D, wykrywanie wakansów, uczenie maszynowe, analiza obrazów, grafen