[论文解读] 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 6

一句话总结

本文提出了一种深度学习框架，用于分析扫描透射电子显微镜（STEM）和扫描隧道显微镜（STM）的原子级分辨图像，以检测结构和电子异常，例如点缺陷、电荷密度非均匀性和晶格畸变。通过利用卷积神经网络（CNN）的特征图，该方法可在多种材料中识别显性特征和潜在特征，实现缺陷与性质的自动关联，并动态追踪原子尺度的畸变。

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.

研究动机与目标

• 开发一种适用于各类材料中原子级分辨显微数据的通用深度学习框架。
• 利用训练好的卷积神经网络的特征图，识别并表征结构和电子异常（如点缺陷和电荷密度调制）。
• 实现对大规模高分辨率数据集的自动化、物理信息驱动的分析，这些数据集规模过大，无法通过传统人工检查完成。
• 通过比较连续图像帧之间特征图的变化，追踪原子结构中微小的几何畸变，例如硅双原子对（Si dumbbells）的动态变化，以研究缺陷和杂质的动力学行为。

提出的方法

• 在扫描透射电子显微镜（STEM）和扫描隧道显微镜（STM）的原子级分辨图像上训练卷积神经网络（CNN）。
• 分析最后一层卷积层的特征图，以提取与原子结构和电子性质相关的显性（可见）和潜在（隐藏）特征。
• 通过识别特征图模式与预期晶格构型之间的偏差，检测点缺陷或电荷密度变化等异常。
• 通过比较连续图像帧之间特征图的变化，实现对原子尺度畸变的时序追踪。
• 该方法应用于多种体系：在WSe2单层中用于缺陷检测，强关联氧化物中用于电荷密度分析，以及富勒烯碗状分子中用于结构相变研究。
• 该方法推广至三维硅样品，用于追踪与晶格缺陷运动相关的Si双原子对几何畸变。

实验结果

研究问题

• RQ1 该深度学习框架是否能够在无需预先人工标注特征的情况下，检测原子级分辨图像中的结构和电子异常？
• RQ2 如何利用卷积神经网络激活中的显性与潜在特征，识别如WSe2等二维材料中的点缺陷？
• RQ3 CNN中的潜在表征在多大程度上能够揭示强关联氧化物中非均匀的电荷密度分布？
• RQ4 该框架是否能够跨连续图像帧追踪动态的原子尺度畸变，例如Si双原子对的畸变？
• RQ5 该方法是否可普遍适用于不同材料和显微技术（STEM与STM），以构建统一的缺陷-性质数据库？

主要发现

• 该框架通过识别CNN特征图中异常模式，成功检测到二硫化钨单层中的点缺陷。
• 通过潜在特征分析，揭示了强关联氧化物中特定晶格位置周围的非均匀电荷密度分布。
• 通过分析特征图模式的偏移，该方法识别出富勒烯碗状分子中不同结构相之间的过渡态。
• 在三维硅样品中，该方法成功追踪了单个Si双原子对在图像帧之间的微小几何畸变，表明晶格缺陷和杂质的运动。
• 该方法实现了对大规模、高分辨率显微数据集的自动化、高通量分析，显著减少了人工工作量。
• 该框架在不同材料和显微模态（STEM与STM）之间表现出良好的可迁移性，支持构建统一的缺陷-性质数据库。