[论文解读] Density Functional Theory and Deep-learning to Accelerate Data Analytics in Scanning Tunneling Microscopy

Kamal Choudhary, Kevin F. Garrity+5 more|arXiv (Cornell University)|Dec 19, 2019

Force Microscopy Techniques and Applications参考文献 55被引用 9

一句话总结

本论文基于密度泛函理论（DFT）和Tersoff-Hamann方法，构建了716种二维材料的扫描隧道显微镜（STM）图像大规模计算数据库。该研究展示了模拟STM图像与实验STM图像之间具有较强的定性一致性，并提出一种基于该数据集训练的卷积神经网络（CNN）模型，可加速高通量识别布喇菲晶格类型，从而实现对实验数据的快速分析，并支持集成到自主实验工作流程中。

ABSTRACT

We introduce the first systematic database of scanning tunneling microscope (STM) images obtained using density functional theory (DFT) for two-dimensional (2D) materials, calculated using the Tersoff-Hamann method. It currently contains data for 716 exfoliable 2D materials. Examples of the five possible Bravais lattice types for 2D materials and their Fourier-transforms are discussed. All the computational STM images generated in this work will be made available on the JARVIS-DFT website (https://www.ctcms.nist.gov/~knc6/JVASP.html). We find excellent qualitative agreement between the computational and experimental STM images for selected materials. As a first example application of this database, we train a convolution neural network (CNN) model to identify Bravais lattices from the STM images. We believe the model can aid high-throughput experimental data analysis. These computational STM images can directly aid the identification of phases, analyzing defects and lattice-distortions in experimental STM images, as well as be incorporated in the autonomous experiment workflows.

研究动机与目标

• 利用密度泛函理论（DFT）和Tersoff-Hamann方法，创建全面、系统化的二维材料计算STM图像数据库。
• 实现模拟与实验STM图像的直接对比，用于验证和相位识别。
• 开发一种深度学习模型，可自动从STM图像中分类布喇菲晶格类型，提升高通量数据分析能力。
• 通过提供可靠、计算生成的STM图像参考，支持自主实验工作流程。
• 通过JARVIS-DFT网站公开发布该数据集，以供更广泛的研究使用。

提出的方法

• 针对716种可剥离的二维材料，利用密度泛函理论（DFT）和Tersoff-Hamann近似生成计算STM图像。
• 采用Tersoff-Hamann方法模拟隧穿电流，并从电子结构计算生成实空间STM图像。
• 计算STM图像的傅里叶变换，以分析周期性和对称性，辅助布喇菲晶格分类。
• 在模拟STM图像上训练卷积神经网络（CNN），以识别二维材料中可能存在的五种布喇菲晶格类型。
• 评估模型在实验STM图像上的泛化能力，通过定性对比评估性能。
• 所有生成的STM图像及相关数据均托管于JARVIS-DFT网站，供公众访问与再利用。

实验结果

研究问题

• RQ1 基于DFT的计算STM模拟能否准确再现二维材料实验STM图像中观察到的特征？
• RQ2 在模拟STM图像上训练的深度学习模型，其在二维材料中布喇菲晶格类型的分类能力如何？
• RQ3 计算STM图像在识别实验数据中相位、缺陷和晶格畸变方面的辅助作用有多大？
• RQ4 将模拟STM数据整合到机器学习工作流程中，能否加速实验扫描隧道显微镜数据的高通量分析？
• RQ5 该方法在具有不同晶体结构的多样化二维材料中，其可扩展性和通用性如何？

主要发现

• 所生成的STM图像与选定二维材料的实验STM图像在定性上高度一致，验证了基于DFT的模拟方法的准确性。
• 卷积神经网络（CNN）模型成功从STM图像中可靠识别出布喇菲晶格类型，展现出自动化数据分析的潜力。
• 716个基于DFT生成的STM图像数据库为具有多样化晶体对称性和晶格类型的材料提供了全面的参考集合。
• STM图像的傅里叶变换清晰揭示了其内在的周期性和对称性，支持晶格分类与结构分析。
• 该数据集在JARVIS-DFT网站上的公开发布，确保了研究的可重复性，并促进了材料表征与自主实验研究的未来发展。
• 将计算STM数据与深度学习相结合，为加速扫描隧道显微镜数据分析提供了一条可扩展的路径。