目前，掃描透射電子顯微鏡（STEM）是對各種材料進行原子分辨率結構分析不可或缺的工具。STEM圖像的傳統分析是一個廣泛的動手過程，這限制了對高通量數據的有效處理。

在此，韓國延世大學Kwanpyo Kim等人應用全卷積網絡（FCN）來識別二維晶體的原子分辨率STEM圖像中的重要結構特征。具體而言，作者創建了一個FCN 來處理MoS₂（一種典型的過渡金屬二硫屬化物），以展示其在識別硫空位和不同多晶型構型方面的實用性。

其中，ResUNet作為一種FCN，主要使用包含不同級別的噪聲、畸變和碳污染的模擬STEM圖像進行訓練。作者在第一個卷積層中使用了具有5個殘差塊和32個過濾器的ResUNet架構，以及一個Keras生成器來加載用于空位和多態檢測的訓練集。為了訓練，作者指定了一個半徑為 0.95 ?的圓形區域作為硫空位標簽。空缺檢測模型使用7×7像素的內核大小和10000 張圖像進行訓練，5000張圖像進行驗證。多態模型使用7×7像素的內核大小和63157幅圖像進行訓練，17319幅圖像進行驗證。

圖1. 用于識別點缺陷和MoS₂多晶型的FCN

結果顯示，在1000次迭代訓練下，模擬STEM圖像的訓練和驗證準確率達到0.98以上，損失函數降低到0.01的水平。接下來，硫空位的模型預測通過合成的和故意產生缺陷的MoS₂樣品的實驗 STEM圖像進行了測試，這證實了空位分配的模型準確性與基于原子位置的局部強度的勞動密集型分析相當。另一個FCN接受了多晶型識別訓練，并成功地從 MoS₂的實驗STEM圖像中識別出各種堆疊多晶型。在碳污染嚴重的地區，多態模型預測的趨勢符合基于原子位點局部強度調制的預測。

這些結果表明，所開發的模型可以應用于具有不同程度的碳污染和其他噪聲源的各種圖像。此外，當前的模型可擴展到研究MoS₂之外的各種2D 晶體中的相似結構特征，為訓練用于STEM圖像分析的深度學習模型的最佳實踐提供了指導。

圖2. 使用FCN從MoS₂的實驗STEM圖像中識別多晶型物

STEM Image Analysis Based on Deep Learning: Identification of Vacancy Defects and Polymorphs of MoS₂, Nano Letters 2022. DOI: 10.1021/acs.nanolett.2c00550