利用基于机器学习的扫描透射电子显微镜技术在二维材料中自主制备定制的缺陷结构

《npj Computational Materials》：Autonomous fabrication of tailored defect structures in 2D materials using machine learning-enabled scanning transmission electron microscopy

　　

摘要

通过原子级组装技术可以制备出具有特定量子特性的材料，但现有方法往往缺乏灵活性和精度，无法精确且智能地控制制造过程。在这里，我们展示了一种完全自主的方法，利用扫描透射电子显微镜（STEM）中的电子束来制造原子级缺陷，该方法结合了先进的机器学习和自动化束流控制技术。作为概念验证，我们通过迭代和定向照射MoS?单层材料于聚焦电子束上来控制MoS-NW（二硫化钼纳米线）边缘结构的形成，从而选择性地去除硫原子，并利用高角环形暗场（HAADF）成像技术对缺陷的结构演变进行反馈控制。我们开发了一个机器学习框架，该框架结合了随机森林模型和卷积神经网络（CNN），用于解析HAADF图像并准确识别原子位置和种类。这些原子级信息随后被整合到一个自主决策平台中，该平台应用预定义的制造策略来指导电子束对需要去除的原子位点的控制。选定的原子位点随后通过FPGA控制的扫描程序接受局部电子束照射，实现了对束流位置和照射时间的精确控制。虽然所制备的MoS-NW边缘结构展现出良好的机械和电子性能^1–3，但所提出的自主制造框架方法并不依赖于特定材料，可以扩展到其他二维材料上，用于创建多种缺陷结构和异质结构，而不仅限于MoS?。