数据增强辅助迁移学习在单层二维材料高效识别中的应用研究

本研究针对二维(2D)材料单层识别中训练样本稀缺、人工标注成本高的问题，开发了基于数据增强和迁移学习的2DMViewNet深度学习模型。该模型仅需10张训练图像即可实现机械剥离法和化学气相沉积(CVD)法制备的单层材料精准识别，并创新性地整合原位光学观测微-CVD系统，为二维材料生长机制研究提供了实时分析工具。

　　

二维材料因其独特的物理化学性质，在电子器件、能源存储等领域展现出巨大潜力。然而，传统单层材料识别方法依赖人工分析和大规模标注数据集，效率低下且难以实时监测。化学气相沉积(CVD)生长过程中的晶体取向分析更是面临技术瓶颈，制约了高质量二维材料的可控制备。

为解决这些难题，中国的研究团队开发了2D Materials View Neural Network (2DMViewNet)系统。该研究创新性地结合数据增强和迁移学习技术，仅用10张训练图像就构建出高精度识别模型。通过Mask R-CNN框架提取深层次图像特征，系统不仅能识别机械剥离、CVD等不同方法制备的单层材料，还能自动分析MoS₂等材料的晶体取向。研究团队进一步将系统与微-CVD原位观测平台整合，实现了WS₂生长过程的实时形态监测，为生长参数优化提供了关键数据支撑。

关键技术包括：1) 基于Mask R-CNN的深度学习框架构建；2) 平移/旋转/拼接等数据增强技术；3) 预训练模型迁移学习方法；4) 原位光学观测微-CVD系统集成；5) 晶体取向统计分析算法。

【结果与讨论】

1. 模型性能验证：2DMViewNet在蓝宝石和SiO₂/Si衬底上生长的MoS₂识别准确率达98.7%，且能泛化至WS₂等材料体系。
2. 取向分析突破：深度学习特征提取揭示蓝宝石衬底上MoS₂晶种取向一致性显著优于SiO₂/Si衬底。
3. 异质结识别：成功构建WSe₂/WS₂横向异质结识别模型，验证方法普适性。
4. 实时监测应用：与微-CVD系统联用，首次实现WS₂生长过程中尺寸、形态的动态量化分析。

【结论】
该研究通过数据增强辅助的迁移学习策略，突破了二维材料研究中的样本量瓶颈。2DMViewNet系统不仅将单层识别训练样本需求降低至10幅图像，其晶体取向分析功能更为理解衬底-材料相互作用机制提供了新视角。特别是将深度学习与原位观测相结合的技术路线，为二维材料生长动力学研究建立了标准化分析范式。这项工作发表于《Applied Surface Science》，为下一代纳米材料的可控制备提供了重要方法论支撑。