[論文レビュー] Tracking atomic structure evolution during directed electron beam induced Si-atom motion in graphene via deep machine learning

Maxim Ziatdinov, Stephen Jesse+3 more|arXiv (Cornell University)|Sep 13, 2018

Electron and X-Ray Spectroscopy Techniques被引用数 5

ひとこと要約

本研究では、深層学習を用いたリアルタイムな原子スケールの構造進化分析により、集束電子ビームを用いてグラフェン中の個々のSi原子の決定的で軌道制御された運動を実現した。この手法は、ガウス・ミックスチャネル・モデリングと主成分分析を組み合わせ、スピンラティス固有の原子歪みを解明し、欠陥ライブラリの構築と原子操作における対称性破れの物理を明らかにした。

ABSTRACT

Using electron beam manipulation, we enable deterministic motion of individual Si atoms in graphene along predefined trajectories. Structural evolution during the dopant motion was explored, providing information on changes of the Si atom neighborhood during atomic motion and providing statistical information of possible defect configurations. The combination of a Gaussian mixture model and principal component analysis applied to the deep learning-processed experimental data allowed disentangling of the atomic distortions for two different graphene sublattices. This approach demonstrates the potential of e-beam manipulation to create defect libraries of multiple realizations of the same defect and explore the potential of symmetry breaking physics. The rapid image analytics enabled via a deep learning network further empowers instrumentation for e-beam controlled atom-by-atom fabrication. The analysis described in the paper can be reproduced via an interactive Jupyter notebook at https://git.io/JJ3Bx

研究の動機と目的

• 集束電子ビームを用いて、グラフェン中の個々のSi原子の正確で方向指定された運動を実現すること。
• 運動中のSiドーパントおよびその周囲の格子の動的構造的進化を分析すること。
• 高度なデータ解析を用いて、2つのグラフェンスピンラティス固有の原子歪みを分離すること。
• 同じドーパントに対する複数の欠陥構成を生成し、欠陥形成の統計的分析を可能にする欠陥ライブラリの作成。
• 急速な深層学習駆動の画像解析により、eビーム制御による原子1個ずつの製造が可能であることを実証すること。

提案手法

• 実験的透過電子顕微鏡（TEM）画像を用いて深層学習ニューラルネットワークをトレーニングし、リアルタイムかつ高精度な原子構造解析を可能にした。
• 主成分分析（PCA）を適用して、深層学習で処理されたデータから主要な構造的モードを抽出した。
• ガウス・ミックスチャネル・モデリング（GMM）を用いて、構造的特徴に基づいて原子配置をクラスタリングおよび分離した。
• GMMとPCAの組み合わせにより、2つの非等価なグラフェンスピンラティス固有の原子歪みを分離可能となった。
• この手法により、事前に定義された電子ビームの軌道に沿った原子運動および構造的変化の追跡が可能となった。
• 全分析パイプラインを再現可能なインタラクティブなJupyterノートブックを提供し、再現性を確保した。

実験結果

リサーチクエスチョン

• RQ1 グラフェン中のSiドーパントが電子ビームによって駆動される際、原子構造はどのように進化するか？
• RQ2 ドーパントの運動中に、2つのグラフェンスピンラティスにそれぞれ関連する特徴的な構造的歪みは何か？
• RQ3 深層学習は、電子顕微鏡における原子スケールの構造的ダイナミクスをリアルタイムかつ高精度に分析可能か？
• RQ4 制御されたSi原子の運動中に形成される欠陥構成の統計的分布はどのようなものか？
• RQ5 原子操作中に、対称性破れ効果はどの程度観察され、定量的に評価可能か？

主な発見

• 深層学習モデルにより、電子ビーム誘起Si原子運動中の原子構造進化をリアルタイムかつ高精度で追跡可能となった。
• GMMとPCAを組み合わせたアプローチにより、スピンラティス固有の原子歪みが成功裏に分離された。
• ドーパントの運動中に、2つのグラフェンスピンラティスに異なる構造的応答が観察され、対称性破れ効果が示された。
• 同じ欠陥構成の複数の実現が生成され、今後の分析を目的とした統計的欠陥ライブラリが構築された。
• オープンソースのJupyterノートブックを介して、分析パイプラインが完全に再現可能であり、透明性と再利用性が向上した。
• 本研究では、2次元材料におけるプログラマブルな原子1個ずつの製造の可能性が示された。