[論文レビュー] Deep analytics of atomically-resolved images: manifest and latent features

Maxim Ziatdinov, Ondrej Dyck+8 more|arXiv (Cornell University)|Jan 16, 2018

Advanced Electron Microscopy Techniques and Applications参考文献 39被引用数 6

ひとこと要約

本論文では、走査型透過電子顕微鏡（STEM）および走査トンネル顕微鏡（STM）からの原子解像度画像を分析するためのディープラーニングフレームワークを提示する。このフレームワークは、点欠陥、電荷密度の非均一性、格子歪みなどの構造的および電子的異常を検出する。畳み込みニューラルネットワーク（CNN）からの特徴マップを活用することで、多様な材料において顕在的および隠れた特徴を特定し、自動化された欠陥-性質相関と原子スケールの歪みの動的追跡を可能にする。

ABSTRACT

Recent advances in scanning transmission electron and scanning tunneling microscopies allow researchers to measure materials structural and electronic properties, such as atomic displacements and charge density modulations, at an Angstrom scale in real space. At the same time, the ability to quickly acquire large, high-resolution datasets has created a challenge for rapid physics-based analysis of images that typically contain several hundreds to several thousand atomic units. Here we demonstrate a universal deep-learning based framework for locating and characterizing atomic species in the lattice, which can be applied to different types of atomically resolved measurements on different materials. Specifically, by inspecting and categorizing features in the output layer of a convolutional neural network, we are able to detect structural and electronic 'anomalies' associated with the presence of point defects in a tungsten disulfide monolayer, non-uniformity of the charge density distribution around specific lattice sites on the surface of strongly correlated oxides, and transition between different structural states of buckybowl molecules. We further extended our method towards tracking, from one image frame to another, minute distortions in the geometric shape of individual Si dumbbells in a 3-dimensional Si sample, which are associated with a motion of lattice defects and impurities. Due the applicability of our framework to both scanning tunneling microscopy and scanning transmission electron microscopy measurements, it can provide a fast and straightforward way towards creating a unified database of defect-property relationships from experimental data for each material.

研究の動機と目的

• 異なる材料における原子解像度の顕微鏡データに適用可能な普遍的なディープラーニングフレームワークの開発。
• 訓練済みの畳み込みニューラルネットワークからの特徴マップを用いて、点欠陥や電荷密度調制といった構造的および電子的異常を同定・特徴化すること。
• 従来の手動による点検では対応できないほど大規模な高分解能データセットを、物理的知見を組み込んだ自動分析が可能になるようにすること。
• Siダムボールなどの微小な幾何的歪みを連続する画像フレーム間で追跡し、欠陥や不純物の動的挙動を研究すること。

提案手法

• 走査型透過電子顕微鏡（STEM）および走査トンネル顕微鏡（STM）からの原子解像度画像を用いて畳み込みニューラルネットワーク（CNN）をトレーニングする。
• 最終畳み込み層からの特徴マップを分析し、原子構造および電子的性質に関連する顕在的（目に見える）および隠れた（隠れた）特徴を抽出する。
• 期待される格子配置からの特徴マップパターンの逸脱を特定することで、点欠陥や電荷密度の変動といった異常を検出する。
• 連続する画像フレーム間での特徴マップの変化を比較することで、原子スケールの歪みの時間的追跡を可能にする。
• WSe2モノレイヤーでは欠陥検出、強相関酸化物では電荷密度分析、バクキーバウル分子では構造的相転移への応用を含め、多様な系に適用する。
• 3次元Siサンプルへも一般化し、格子欠陥の運動に関連するSiダムボール幾何学的歪みの追跡を実施する。

実験結果

リサーチクエスチョン

• RQ1 事前に手動で特徴をラベル付けしないで、ディープラーニングフレームワークが原子解像度画像における構造的および電子的異常を検出できるか。
• RQ2 CNNの活性化における顕在的および隠れた特徴は、WSe2のような2次元材料における点欠陥を同定するためにどのように利用できるか。
• RQ3 CNNの隠れ表現が、強相関酸化物における非均一な電荷密度分布をどの程度明らかにできるか。
• RQ4 フレームごとの変化を用いて、Siダムボールのような動的原子スケールの歪みを追跡できるか。
• RQ5 この手法は、異なる材料や顕微鏡技術（STEMおよびSTM）に普遍的に適用可能であり、統一された欠陥-性質データベースの構築を可能にするか。

主な発見

• CNNの特徴マップにおける異常パターンを同定することで、タングステンジチリドモノレイヤーにおける点欠陥を効果的に検出できた。
• 強相関酸化物において、特定の格子サイト周辺の非均一な電荷密度分布が、隠れ特徴の分析によって明らかにされた。
• 特徴マップパターンのシフトを分析することで、バクキーバウル分子における異なる構造的相状態の遷移状態を同定した。
• 3次元シリコンサンプル内の個々のSiダムボールにおける微小な幾何的歪みが、画像フレーム間で追跡され、格子欠陥および不純物の運動を示した。
• 大規模かつ高分解能な顕微鏡データセットに対する自動化・高スループットな分析が可能となり、人的作業の大幅な削減が達成された。
• 本手法は異なる材料および顕微鏡モダリティ（STEMおよびSTM）にわたって汎用性を示し、統一された欠陥-性質データベースの構築を支援した。