Система обработки изображений на базе ИИ для высокоточного обнаружения и характеристики вакансий в двумерных материалах

Почему маленькие отверстия в ультратонких материалах имеют значение

От гибких телефонов до ультрачувствительных датчиков и квантовых устройств — многие будущие технологии опираются на ультратонкие «листы» толщиной в один атом. Но эти нежные слои редко бывают идеальными: они усыпаны крошечными пробелами, где отсутствуют атомы. Эти невидимые дырочки могут решить судьбу работы устройства. Статья, лежащая в основе этого обзора, представляет новый метод на базе искусственного интеллекта (ИИ), который способен быстро и дешево обнаруживать и измерять такие отверстия по обычным изображениям, что может ускорить разработку более эффективной электроники и квантовых материалов.

Сверхтонкие материалы с огромным потенциалом

Материалы вроде графена, фосфорена и дисульфида молибдена известны своей выдающейся прочностью, проводимостью и оптическими свойствами, упакованными в слой толщиной в один атом. Инженеры надеются применять их в наноэлектронике, фотонике и квантовых технологиях. Однако их свойства крайне чувствительны к дефектам. Отсутствующие атомы, или вакансии, могут ослабить устройство или, при точном контроле, породить полезные эффекты, например новые электронные состояния или активные центры для сенсорики. Чтобы использовать эти дефекты во благо, а не страдать от них, исследователям нужно точно знать, где находятся вакансии, какого они размера и какова их плотность на заданной площади.

Проблема современных инструментов крупного плана

Традиционные методы изучения этих крошечных пробелов либо используют мощные микроскопы, видящие отдельные атомы, либо тяжелые компьютерные симуляции, моделирующие движение каждого атома. Техники вроде просвечивающей электронной микроскопии и молекулярной динамики могут быть весьма точными, но они медленны, дороги и трудно масштабируются на тысячи образцов. Даже более новые методы на основе вибраций, которые выводят дефекты по колебаниям листа, достигают примерно 90% точности и все еще требуют сложных физических моделей. По мере увеличения библиотеки двумерных материалов эти ограничения становятся серьезным узким местом в поиске и оптимизации новых устройств.

Обучение ИИ распознавать паттерны в градациях серого

Автор предлагает фреймворк на базе ИИ, который отказывается от послойного осмотра атомов и вместо этого обучается на паттернах в простых изображениях в градациях серого. Сначала генерируются реалистичные изображения трех типов 2D-слоев, в каждом из которых случайным образом размещены круглые отверстия разных размеров. Эти изображения переводят в черно-белые карты интенсивности, где отверстия выглядят как более яркие области. Вместо того чтобы подавать каждый пиксель прямо в нейросеть, метод сжимает каждое изображение в тщательно подобранный набор из 25 числовых признаков. Эти признаки отражают распределение яркости по строкам и столбцам, форму и компактность каждого отверстия и общую текстуру изображения. Они сконструированы так, чтобы вакансия оставляла явную «подпись» в этих числах.

Как машина учится находить отсутствующие атомы

Имея тысячи смоделированных изображений с известными положениями и размерами отверстий в качестве обучающей выборки, тестируется несколько моделей машинного обучения. Деревянный метод под названием случайный лес (random forest) оказывается лучшим компромиссом между точностью, скоростью и интерпретируемостью. Он учится преобразовывать 25 признаков в точные предсказания горизонтальной и вертикальной позиции каждого отверстия и его эффективного радиуса. Для графена обученная модель достигает тестовой точности выше 96%, с особенно сильными показателями для размера отверстия. Статистический инструмент SHAP используется, чтобы исследовать наиболее значимые признаки, показывая, например, что среднее положение самой яркой пиковое полосы критично для определения вертикальной координаты. Подход также работает при наличии нескольких вакансий в одном листе: изображение сегментируется, и каждый регион анализируется по очереди, при этом предсказанные размеры и плотности отверстий тесно соответствуют истинным значениям.

От симуляции к реальным материалам

Поскольку фреймворк работает со стандартными изображениями в градациях серого, его, в принципе, можно применять к снимкам с обычных микроскопов без требования специализированной аппаратуры. Он также достаточно универсален, чтобы обрабатывать разные кристаллические узоры, что продемонстрировано тестами на графене, фосфорене и дисульфиде молибдена. Метод значительно сокращает как экспериментальные, так и вычислительные затраты по сравнению с традиционными техниками, при этом предоставляя подробную числовую информацию вместо простого «дефект есть/нет». Хотя исследование в основном опирается на смоделированные данные, оно прокладывает путь к созданию общих экспериментальных баз изображений и использованию модели как инструмента для сообщества.

Что это значит для будущих устройств

Проще говоря, эта работа показывает, что умное сочетание обработки изображений и машинного обучения может выступать в роли автоматического инспектора для атомных тонких материалов, надежно обнаруживая и измеряя крошечные отверстия. Превращая простые изображения в богатые числовые описания и затем позволяя модели ИИ интерпретировать их, исследователи получают быстрый, неразрушающий способ картирования дефектов по многим образцам. Это может ускорить настройку вакансий для улучшения проводимости, прочности или квантового поведения, помогая перенести технологии следующего поколения из лаборатории в повседневное применение.

Цитирование: 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

Ключевые слова: 2D материалы, обнаружение вакансий, машинное обучение, анализ изображений, графен