[论文解读] Robust multi-scale multi-feature deep learning for atomic and defect identification in Scanning Tunneling Microscopy on H-Si(100) 2x1 surface

Maxim Ziatdinov, Udi Fuchs+3 more|arXiv (Cornell University)|Feb 11, 2020

Advanced Electron Microscopy Techniques and Applications参考文献 28被引用 5

一句话总结

本文提出了一种鲁棒的深度学习框架，用于在H-Si(100) 2×1表面的扫描隧道显微镜（STM）图像中实现原子与缺陷的自动化识别，结合多尺度、多特征的卷积神经网络进行图像评估、原子定位和缺陷检测。该方法通过无监督聚类网络提取的特征，在噪声大、非均匀条件下实现对局域与扩展型缺陷的精确分类，从而实现对量子材料的通用应用，并支持缺陷库的构建。

ABSTRACT

The nature of the atomic defects on the hydrogen passivated Si (100) surface is analyzed using deep learning and scanning tunneling microscopy (STM). A robust deep learning framework capable of identifying atomic species, defects, in the presence of non-resolved contaminates, step edges, and noise is developed. The automated workflow, based on the combination of several networks for image assessment, atom-finding and defect finding, is developed to perform the analysis at different levels of description and is deployed on an operational STM platform. This is further extended to unsupervised classification of the extracted defects using the mean-shift clustering algorithm, which utilizes features automatically engineered from the combined output of neural networks. This combined approach allows the identification of localized and extended defects on the topographically non-uniform surfaces or real materials. Our approach is universal in nature and can be applied to other surfaces for building comprehensive libraries of atomic defects in quantum materials.

研究动机与目标

• 开发一种鲁棒的深度学习框架，能够在噪声大、非均匀的H-Si(100) 2×1表面扫描隧道显微镜（STM）图像中识别原子种类与缺陷。
• 解决在自动化STM分析中因未分辨的污染物、台阶边缘和图像噪声带来的挑战。
• 在单一集成工作流中实现多层级分析——图像评估、原子定位与缺陷检测。
• 将该方法扩展至利用深度神经网络提取特征后进行均值漂移聚类的无监督缺陷分类。
• 提出一种通用且可迁移的方法，用于在量子材料中构建全面的原子缺陷库。

提出的方法

• 采用多尺度、多特征的深度学习架构，集成独立的神经网络用于图像质量评估、原子定位和缺陷检测。
• 通过在多个空间尺度处理STM图像，提升对噪声和表面非均质性的鲁棒性。
• 将神经网络联合输出的特征用作无监督均值漂移聚类的输入，实现无需预先标注的缺陷分类。
• 该方法已部署于实际STM平台，支持实验数据的实时或近实时分析。
• 实施分层工作流：首先评估图像质量，然后检测原子，最后利用学习到的表征识别缺陷。
• 该方法利用端到端学习，关注局部与扩展型缺陷形态，提升了在不同表面条件下的泛化能力。

实验结果

研究问题

• RQ1 在存在噪声和非均匀条件的情况下，深度学习框架能否可靠地识别H-Si(100) 2×1表面STM图像中的单个原子与缺陷？
• RQ2 多尺度与多特征表征在存在污染物和台阶边缘的情况下，如何提升原子与缺陷检测的鲁棒性？
• RQ3 对深度神经网络特征进行无监督聚类，在无需人工标注的情况下，能在多大程度上实现对未知缺陷类型的分类？
• RQ4 所提出的框架能否推广至其他表面与材料，以构建全面的原子缺陷库？
• RQ5 图像评估、原子定位与缺陷检测网络的集成如何提升整体检测精度与可靠性？

主要发现

• 该框架在存在噪声、污染物和表面形貌变化的情况下，仍能成功识别H-Si(100) 2×1表面STM图像中的原子种类与缺陷。
• 多尺度特征提取显著提升了检测的鲁棒性，即使在低信号或非均质区域也能实现可靠识别。
• 对深度神经网络提取的特征进行无监督均值漂移聚类，可在无需先验真实标签的情况下，有效分类多种缺陷类型。
• 该方法在非均匀表面上对局域与扩展型缺陷的检测均实现了高精度，展现出在不同成像条件下的强泛化能力。
• 所提出的流程可部署于实际STM平台，支持实验数据的实时或自动化分析。
• 该方法具有通用性与可迁移性，已证明在构建量子材料中全面的原子缺陷库方面具有巨大潜力。