通过注意力神经网络对范德瓦尔斯半导体进行多类识别

《Advanced Photonics Research》：Multiclass Identification of Van der Waals Semiconductors via Attention Neural Networks

基于ResNet-Inception融合的注意力卷积网络模型（RIAL）及U-Net注意力层（UNAL）在CVD生长MoS2多层半导体识别中的应用，提出通过注意力机制优化特征融合，解决传统手动计数高误差率和时间长的问题。实验表明RIAL在CIFAR-10/100分类任务中准确率分别达98.15%/89.32%，较基线模型提升1.21%/1.39%；在自定义MoS2微观图像数据集上实现多类分类准确率超97%，优于EfficientNet、ResNet等模型。语义分割方面，UNAL的Dice系数达86.32%，IoU为78.39%。研究验证了注意力机制在半导体多层识别中的有效性，为晶圆级制造质检提供新方法。

　　在当前半导体技术的发展中，二维材料因其独特的物理和化学性质，尤其是在光学、电学和光电子学方面的表现，成为研究的热点。其中，范德华半导体，特别是过渡金属二硫化物（TMDs）如二硫化钼（MoS?），因其超薄的结构、高载流子迁移率以及低漏电流等特性，被认为是突破摩尔定律限制的重要候选材料。随着工业制造对大规模、高精度材料表征的需求增加，如何高效准确地识别范德华半导体的层数成为关键问题。传统的手动识别方法不仅耗时，而且在区分具有相似外观的层数时容易产生较高的误差率。因此，引入人工智能技术，尤其是深度学习方法，为解决这一问题提供了新的思路。

本研究提出了一种融合ResNet与Inception网络的注意力机制模型（RIAL），用于对范德华半导体进行多类别分类。该模型结合了两种经典的深度学习架构的优势，ResNet通过增加网络深度提升了分类能力，而Inception则通过扩展网络宽度增强了对不同特征的提取能力。为了进一步优化模型性能，RIAL引入了注意力层，该层能够自动学习不同子模型的权重，从而更有效地聚焦于关键特征，减少噪声干扰。与传统的拼接方法相比，注意力机制显著提升了模型的分类精度。此外，为了验证该模型在更复杂场景下的表现，还构建了基于U-Net的注意力语义分割模型（UNAL），用于像素级别的分类任务。通过定量分析，RIAL和UNAL在范德华半导体的晶圆尺度识别中展现出良好的适应性和应用潜力。

在实际应用中，RIAL模型首先在公开数据集CIFAR-10和CIFAR-100上进行了验证，这两个数据集分别包含10和100个类别，且每张图像仅属于一个类别。RIAL在这些数据集上的表现优于ResNet、Inception以及它们的组合模型，证明了其在图像分类任务中的有效性。随后，模型被微调到针对化学气相沉积（CVD）生长的MoS?的显微图像数据集上，这些数据集包含了不同层数的半导体结构，如单层、双层、三层、多层和体材料等。通过在不同数据增强策略下的训练，包括统一Gamma对比度增强和不同Gamma对比度增强，RIAL在多个测试类别中均表现出优异的分类性能，尤其在单层和多层识别中，其准确率显著高于其他模型。例如，在原始数据集上，RIAL的单层识别准确率达到100%，双层为90.35%，三层为95.61%，多层为92.54%，体材料为97.37%。在不同Gamma增强数据集上，RIAL的分类准确率进一步提升，说明其对图像变化具有较强的鲁棒性。

为了进一步验证模型的性能，还构建了基于U-Net的UNAL模型，用于像素级别的语义分割任务。UNAL在处理多类别半导体图像时，能够对每个像素进行分类，从而实现更精细的结构识别。在测试过程中，UNAL的Dice系数和IoU（交并比）均表现出较高的性能，其中单层的Dice系数达到96.29%，双层为86.67%，三层为77.67%，多层为77.27%，体材料为93.71%。这些结果表明，UNAL在像素级别的分类任务中具有较高的精度，尤其在识别单层和双层时表现尤为突出。然而，对于三层及以下的薄层材料，由于其与基底的光对比度相近，UNAL在分类过程中出现了一定的误差，主要集中在单层、双层和三层之间。因此，RIAL和UNAL在不同任务中的表现各有侧重，RIAL更适合于快速整体筛查，而UNAL则适用于更详细的晶格分布分析。

本研究的成果不仅为范德华半导体的大规模制造和检测提供了高效的方法，也为工业领域中的智能质量监控和材料筛选提供了技术支持。例如，IMEC、英特尔、台积电和三星等公司对这类材料的工业应用表现出浓厚兴趣，因此，能够快速、准确地识别材料层数对于推动这些技术的商业化至关重要。RIAL和UNAL的结合使用，使得从宏观到微观的材料分析成为可能，既可以在晶圆尺度上快速判断材料是否符合要求，又能在局部区域进行更细致的结构解析。

值得注意的是，尽管RIAL和UNAL在当前研究中表现出色，但它们的适用性仍受到一些限制。例如，目前的模型主要基于固定倍率的显微镜图像，并且只能处理特定类型的范德华半导体，如MoS?。对于其他材料，如二硒化钨（WS?）或二氮化钼（Mo?N），可能需要重新训练模型以适应不同的光学特性。此外，不同倍率的显微镜采集的图像在分辨率和细节上存在差异，这也可能影响模型的识别效果。因此，未来的工作可以集中在扩展模型的数据集，使其能够适应更多种类的二维材料，并进一步优化模型结构，以提高其在不同显微镜条件下和不同材料类型的泛化能力。

本研究还提到，尽管当前模型在分类和分割任务中表现优异，但在某些情况下仍存在挑战。例如，单层和基底材料之间的颜色对比度较低，使得模型在识别时可能产生混淆。为了解决这一问题，可以引入更高级的成像技术，如高光谱成像，该技术能够提供更丰富的光谱信息，从而更准确地区分材料类型。此外，随着深度学习技术的不断发展，模型的训练方式和优化策略也可以进一步改进，例如引入迁移学习、数据增强技术或更复杂的注意力机制，以提高模型在不同应用场景下的适应性和准确性。

总的来说，本研究通过构建RIAL和UNAL模型，为范德华半导体的晶圆尺度表征提供了新的解决方案。RIAL在多类别分类任务中表现出更高的准确率，而UNAL则在像素级别的语义分割中展现出良好的性能。这两种模型的结合使用，不仅提升了材料识别的效率，还为后续的材料分析和工艺优化提供了重要的数据支持。随着人工智能与低维材料研究的进一步融合，类似的模型有望在更多领域中得到应用，例如在光电子器件、柔性电子和可穿戴设备等新兴技术中发挥重要作用。