现代工学院郝玉峰教授课题组近期将人工神经网络算法与二维材料研究相结合，实现了仅通过光学显微镜照片即可对二维材料的类型、层数、异质结构、缺陷浓度进行快速识别和表征，为二维材料提供了一种高效、无损的检测分析技术。
二维材料是一类仅有原子级厚度的新型薄膜材料。目前二维材料成员已多达几百种，并且各种二维材料会组合在一起，形成异质结或超晶格来构筑功能器件。然而，各种二维材料的外观颜色极其相似，难以快速辨别。过去人们通常需要使用原子力显微镜，X射线衍射，扫描电镜，透射电镜等多种昂贵的设备和繁琐的流程来识别与表征。因此，一种快速、无损、高准确率的识别/表征技术对二维材料及器件应用至关重要。
机器学习是一种基于大量数据的计算分析方法，能够通过建立模型自动做出决策，是人工智能的一个重要分支。几十年来，机器学习已经深刻影响到工业与社会发展的方方面面，如人们熟悉的图像识别技术可以快速实现人脸识别、分析生物医学图像等功能。其中人工神经网络（ANN）就是一种快速而高效的机器学习算法，它能通过捕捉光学图像信息中一系列细微差别来对研究对象做出判断。郝玉峰课题组首先通过提取二维材料光学显微镜（OM）图片中每个像素的特征量RGB（红、绿、蓝）及HSV（色调、饱和度、数值）作为算法的输入值，建立了一种基于人工神经网络的模型（图1），该模型可以对8种不同层数的二维材料进行快速分类（图2），平均准确率达96%。
图1 (a)训练和预测流程图；(b) 人工神经网络模型示意图
图2 利用人工神经网络算法对二维材料进行识别。(a)用于测试的OM图片；(b)预测的结果以及颜色标尺；(c)材料的RGB空间分布；(d)材料的HSV空间分布
二维材料异质结的界面特征对于器件性能有重要影响，通常需要拉曼光谱和透射电镜技术等表征方法，过程繁琐。这一基于人工神经网络算法的技术仅通过OM图片中的信息就可快速判断异质结的界面特征，结果与拉曼平面扫描的结果一致（图3），因此这一方法将对异质结的构筑工艺发挥重要辅助作用。
图3 MoS2/WS2异质结的拉曼光谱和人工神经网络表征。 (a)-(c)异质结的OM图片；(d)-(f)异质结的拉曼平面扫描图；(g)-(i)识别结果。标尺10微米
图4 MoS2缺陷浓度的识别。(a)不同生长温度的MoS2 光学显微镜图片和对应的透射电镜图；(b)不同缺陷浓度的MoS2在RGB颜色空间中的分布
研究团队还将该人工神经网络算法应用于表征二维半导体薄膜的缺陷密度研究中。化学气相沉积是目前制备二维材料最广泛的方法之一，然而由于温度等生长条件的变化，易导致样品存在空位缺陷，过去人们需要通过原子级分辨的透射电镜技术才能分析这类缺陷。该人工神经网络算法将OM图片和硫空位缺陷密度建立起一一对应的关系，使得仅根据光学图像就能定量确定样品的空位缺陷密度，极大地降低了材料表征的成本，提高了效率。
总之，这一基于人工神经网络算法的技术可用于未来快速识别样品质量并优化制备参数，从而大大加快二维材料器件的应用。该工作以"Artificial Neuron Networks Enabled Identification and Characterizations of 2D Materials and van der Waals Heterostructures"为题，发表在国际学术期刊《ACS Nano》（https://pubs.acs.org/doi/10.1021/acsnano.1c09644）。南京大学现代工学院为该论文的通讯单位，南京大学固体微结构物理国家重点实验室和江苏省功能材料设计原理与应用技术重点实验室给予了重要支持。论文第一作者为现代工学院2018级硕士生朱力，郝玉峰教授为论文通讯作者。该论文合作者还包括南京师范大学、上海交通大学、中国科学院大学、北京理工大学等单位的同事。该研究得到国家重点研发计划、国家自然科学基金、江苏省杰出青年科学基金等项目的支持。