用于高精度检测和表征二维材料空位的 AI 驱动图像处理框架

为什么超薄材料中的微小空洞很重要

从可弯曲手机到超灵敏传感器和量子器件，许多未来技术依赖于只有一个原子厚度的超薄“片状”材料。但这些脆弱的层很少完美：它们遍布着原子缺失的小孔。这些看不见的针孔可能决定器件的性能成败。本文所述论文提出了一种新的人工智能（AI）方法，能够从普通图像中快速且低成本地识别和测量此类空洞，可能加速更好电子器件和量子材料的设计。

超薄材料，超大潜力

石墨烯、磷烯和二硫化钼等材料以其惊人的强度、导电性和光学特性著称，这些特性被压缩在仅一个原子厚的层中。工程师希望将它们用于纳米电子学、光子学和量子技术。然而，它们的性质对缺陷极为敏感。缺失的原子（称为空位）可能削弱器件，或者在精确控制下产生有用效果，如新的电子态或传感位点。要利用这些缺陷而不是被其破坏，研究人员必须确切知道空位的位置、大小以及单位面积内的数量。

现有近距工具的问题

研究这些微小空洞的传统方法要么使用能观察单个原子的强力显微镜，要么借助模拟每个原子运动的重型计算机仿真。像透射电子显微镜和分子动力学等技术可以达到很高的精度，但它们速度慢、成本高，且难以扩展到数千个样本。即便是较新的基于振动的方法通过片层振动推断缺陷，其精度也大约在90%且仍需复杂的物理模型。随着二维材料库的扩展，这些限制已成为发现和优化新器件的严重瓶颈。

教 AI 从灰度图像中识别模式

作者提出了一个 AI 框架，跳过逐原子检查，转而从简单灰度图像中的模式中学习。首先生成三种类型二维片材的真实感图像，每种图像包含随机分布、不同大小的圆形空洞。这些图像被转换为黑白强度图，空洞在其中表现为更亮的区域。该方法不直接将每个像素输入神经网络，而是将每张图像压缩为经过精心选择的25个数值特征。这些特征捕捉了亮度在行列间的分布、每个空洞的形状与紧凑性以及整体图像纹理。它们被设计为能让空位在这些数值中留下清晰的“指纹”。

机器如何学会定位缺失的原子

利用数千张带有已知空洞位置和尺寸的模拟图像作为训练数据，测试了几种机器学习模型。一种基于树的算法——随机森林——在精度、速度和可解释性之间取得了最佳平衡。它学会将25个特征转换为每个空洞的精确水平和垂直位置以及其有效半径预测。对于石墨烯，训练模型在测试集上达到96%以上的准确率，特别是在空洞尺寸预测上表现出色。作者使用名为 SHAP 的统计工具来探查哪些特征最重要，结果显示例如最强亮度峰的平均位置对确定垂直坐标至关重要。该方法在同一片材上存在多个空位时同样有效：图像被分割并逐一分析每个区域，预测的空洞尺寸和密度与真实值紧密匹配。

从仿真走向真实材料

由于该框架基于标准灰度图像运行，原则上可以应用于常见显微镜拍摄的图像，而不需要专门的设备。它也足够通用以处理不同的晶格模式，正如对石墨烯、磷烯和二硫化钼的测试所示。与传统技术相比，该方法大幅降低了实验和计算成本，同时提供详细的数值信息，而不仅仅是“是否存在缺陷”的二元判断。尽管本研究主要依赖模拟数据，但它描绘了构建共享实验图像数据库并将该模型作为社区工具的路径。

对未来器件的意义

简而言之，这项工作表明，图像处理与机器学习的智能组合可以像自动化检查员一样检测原子厚材料，可靠地识别并测量微小空洞。通过将简单图像转化为丰富的数值描述并让 AI 对其进行解读，研究人员获得了一种快速且无损的方法来对大量样本中的缺陷进行制图。这可能加速通过调控空位来改善导电性、强度或量子行为，从而推动下一代纳米电子学和量子技术从实验室走向日常应用。

引用: 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

关键词: 二维材料, 空位检测, 机器学习, 图像分析, 石墨烯