[论文解读] 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 5

一句话总结

本研究通过深度学习实现实时分析原子尺度结构演化，实现了利用聚焦电子束对石墨烯中单个硅原子进行确定性、轨迹可控的运动。该方法结合高斯混合模型与主成分分析，解析了亚晶格特异性原子畸变，实现了缺陷库的构建，并揭示了原子操控中的对称性破缺物理机制。

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

研究动机与目标

• 通过聚焦电子束实现对石墨烯中单个硅原子的精确、定向运动。
• 分析电子束诱导的硅掺杂原子及其周围晶格在运动过程中的动态结构演化。
• 利用先进数据分析方法，分离两种石墨烯亚晶格特异的原子畸变。
• 为同一掺杂原子生成多种缺陷构型的库，以实现缺陷形成过程的统计分析。
• 通过快速、基于深度学习的图像分析，展示电子束控制的原子级逐原子制造的可行性。

提出的方法

• 使用实验透射电子显微镜（TEM）图像对深度学习神经网络进行训练，以实现实时、高精度的原子结构分析。
• 对深度学习处理后的数据应用主成分分析（PCA），以提取主导的结构模式。
• 使用高斯混合模型（GMM）对基于结构特征的原子构型进行聚类与分离。
• GMM与PCA的结合使能够分离出两种非等价石墨烯亚晶格特异的原子畸变。
• 该方法可实现沿预设电子束轨迹的原子运动与结构变化的追踪。
• 提供交互式Jupyter笔记本，以重现完整的分析流程，确保可复现性。

实验结果

研究问题

• RQ1 在电子束诱导下，硅掺杂原子在石墨烯中的原子结构如何演化？
• RQ2 在掺杂原子运动过程中，两种石墨烯亚晶格分别表现出何种独特的结构畸变？
• RQ3 深度学习能否实现实时、准确的电子显微镜中原子尺度结构动态分析？
• RQ4 在受控的硅原子运动过程中，缺陷构型的统计分布如何？
• RQ5 在原子操控过程中，对称性破缺效应在多大程度上可被观测与量化？

主要发现

• 深度学习模型实现了在电子束诱导的硅原子运动过程中，对原子结构演化实时、高精度的追踪。
• 通过结合GMM与PCA方法，成功分离出亚晶格特异的原子畸变。
• 该方法揭示了在掺杂原子运动过程中，两种石墨烯亚晶格表现出不同的结构响应，表明存在对称性破缺效应。
• 生成了同一缺陷构型的多个实例，形成了可用于进一步分析的统计缺陷库。
• 通过开源Jupyter笔记本，分析流程完全可复现，显著提升了透明度与可重用性。
• 本研究展示了电子束操控在二维材料中实现可编程、原子级逐原子制造的潜力。