[논문 리뷰] Deep analytics of atomically-resolved images: manifest and latent features

Maxim Ziatdinov, Ondrej Dyck외 8명|arXiv (Cornell University)|2018. 01. 16.

Advanced Electron Microscopy Techniques and Applications참고 문헌 39인용 수 6

한 줄 요약

이 논문은 스캐닝 투입전자현미경 및 턨널링 현미경의 원자적으로 해상도가 높은 영상에서 구조적 및 전자적 이면을 분석하는 딥러닝 프레임워크를 제시한다. 이는 점 결함, 전하 밀도 비균일성, 격자 변형과 같은 이상 현상을 탐지한다. 합성곱 신경망의 특징 맵을 활용하여 다양한 재료에서 명시적(보이는) 및 잠재적(숨겨진) 특징을 식별함으로써 자동화된 결함-성질 상관관계 분석과 원자 척도의 변형 동적 추적을 가능하게 한다.

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.

연구 동기 및 목표

• 다양한 재료에 적용 가능한 원자적으로 해상도가 높은 현미경 데이터에 일반적으로 적용 가능한 딥러닝 프레임워크를 개발하는 것.
• 학습된 합성곱 신경망의 특징 맵을 활용하여 점 결함 및 전하 밀도 조절과 같은 구조적 및 전자적 이면을 식별하고 특성화하는 것.
• 기존 수작업 검토에 비해 너무 큰 크기로 인해 일반적인 수동 검토가 어려운 고해상도 데이터셋에 대해 물리학에 기반한 자동 분석을 가능하게 하는 것.
• Si 더미벨 기하학적 변형과 같은 미세한 기하학적 변형을 순차적인 영상 프레임 간에 추적하여 결함 및 불순물의 동적 거동을 연구하는 것.

제안 방법

• 스캐닝 투입전자현미경(STEM) 및 스캐닝 터널링 현미경(STM)에서 확보한 원자적으로 해상도가 높은 영상에 대해 합성곱 신경망(CNN)을 학습한다.
• 최종 합성곱 층의 특징 맵을 분석하여 원자 구조 및 전자적 성질과 관련된 명시적(시각적으로 확인 가능한) 및 잠재적(숨겨진) 특징을 추출한다.
• 기대되는 격자 구조와의 편차를 식별하여 점 결함 또는 전하 밀도 변화와 같은 이상 현상을 탐지한다.
• 연속된 영상 프레임 간의 특징 맵 변화를 비교하여 원자 척도의 변형을 시간에 따라 추적할 수 있도록 프레임워크를 구성한다.
• 다양한 시스템에 적용한다: WSe2 단일층은 결함 탐지에, 강한 상관관계가 있는 산화물은 전하 밀도 분석에, 복사볼 분자에는 구조적 상전이 분석에 활용된다.
• 이 방법은 3D 실리콘 샘플로 일반화되어, 격자 결함 운동과 관련된 Si 더미벨 기하학적 변형을 추적한다.

실험 결과

연구 질문

• RQ1 사전 수작업 레이블링 없이도 딥러닝 프레임워크가 원자적으로 해상도가 높은 영상에서 구조적 및 전자적 이면을 탐지할 수 있는가?
• RQ2 합성곱 신경망 활성화에서 유도된 명시적 및 잠재적 특징은 2차원 재료인 WSe2에서 점 결함을 식별하는 데 어떻게 활용될 수 있는가?
• RQ3 합성곱 신경망의 잠재 표현은 강한 상관관계가 있는 산화물에서 비균일한 전하 밀도 분포를 어느 정도 드러낼 수 있는가?
• RQ4 이 프레임워크는 Si 더미벨과 같은 동적 원자 척도의 변형을 순차적인 영상 프레임 간에 추적할 수 있는가?
• RQ5 이 방법은 다양한 재료와 현미경 기술(STEM 및 STM)에 대해 일반적으로 적용 가능하여 통합된 결함-성질 데이터베이스를 구축할 수 있는가?

주요 결과

• 학습된 CNN의 특징 맵에서 비정상적인 패턴을 식별함으로써, tungsten disulfide 단일층에서 점 결함을 성공적으로 탐지하였다.
• 강한 상관관계가 있는 산화물에서 특정 격자 위치 주변의 비균일한 전하 밀도 분포가 잠재적 특징 분석을 통해 드러났다.
• 특징 맵 패턴의 이동을 분석함으로써, 복사볼 분자에서 다양한 구조적 상 사이의 전이 상태를 식별하였다.
• 3D 실리콘 샘플 내 개별 Si 더미벨에서의 미세한 기하학적 변형이 영상 프레임 간에 추적되었으며, 이는 격자 결함 및 불순물의 운동을 시사하였다.
• 이 방법은 대규모 고해상도 현미경 데이터셋에 대해 자동화된 고속 분석을 가능하게 하여 수작업 노력의 현저한 감소를 이룩하였다.
• 프레임워크는 다양한 재료와 현미경 모달리티(STEM 및 STM) 간에 이식 가능성을 입증하였으며, 통합된 결함-성질 데이터베이스 구축을 지원한다.