自从发现石墨烯以来，大量新型二维层状材料逐渐被发现和制备，目前已成为涵盖绝缘体、拓扑绝缘体、半导体、半金属到超导体的庞大家族。二维材料的层数对于调节纳米电子器件和光电器件的性能具有重要意义，在进一步的物理研究或器件制造之前，往往需要确定目标样品的最佳厚度。通过光学技术获得光学图像或光谱信息后，后续的数据处理往往严重依赖研究人员的专业知识，受人工经验和主观因素影响较大。近年来机器学习算法逐渐进入这一研究领域，对二维材料层识别面临的诸多挑战性问题提供了具有强大性能和发展潜力的全新解决方案。基于此，中科院上海光机所王俊研究员团队总结了近年来通过机器学习算法赋能二维材料厚度测定的最新研究进展，相关成果“Thickness Determination of Ultrathin 2D Materials Empowered by Machine Learning Algorithms”发表在Laser & Photonics Reviews上。
二维材料层数相关的光学特性和厚度测定方法可以被多种光学技术所研究，来满足未来快速、无损和高通量测量的要求，该综述对现有的光学技术的发展历程进行了梳理。首先是光学显微镜拍摄的光学图像，从某种意义上说，这是实验者最容易获得的信息。有经验的实验者很容易从直觉上或者利用颜色通道信息比较判断不同样品的厚度差异；其次是以拉曼、光致发光和非线性光谱等技术，可以提供有关二维材料精细结构特征的丰富信息，进而利用层数与光学特性之间的关系来确定样品的厚度；最后是光谱椭偏仪、高光谱成像等广泛用于全局均匀性检测的晶圆级检测方案，这对于充分实现二维材料的大规模实际应用具有重要意义。
近年来，人工智能迅速改变了现代社会的诸多方面，作为其最重要的一个子领域，机器学习通过收集和分析数据以预测复杂系统的行为并建立解决问题的模型，为物理、化学、材料科学等传统研究领域带来了新的发展机遇和解决方案。光学图像作为实验室中最容易获取的数据集，是解决图层识别高通量和实时性要求的最简单方法，机器学习算法可以提取图像中的基本特征并建立决策模型，同时较好地适用于不同的光学系统，以满足不同用户对自动光学识别和表征的要求。除了光学图像，机器学习算法还可以准确高效地分析光谱数据，这使得不仅可以利用光谱特征信息快速得到所需的样品厚度，还可以有效解决不同实验平台间测试数据误差带来的不利影响。更重要的，这有力促进了建立从数据出发的统一、快速、低成本、无损的测量方法和标准，进而有力推动二维材料工业级应用落地。
最后，该综述总结了未来传统光学技术与机器学习算法深度融合面临的发展机遇与挑战，提出检测对象的多样性、物理性质的差异性、测试环境的不稳定性、光学技术的易干扰性和相关算法的准确性对跨实验室标准制定带来的潜在风险。机器学习算法将对二维材料厚度测定的传统研究方法带来深刻的变化，将人工劳动从现有的繁琐材料表征过程中逐渐解放出来，有助于推动研究的快速发展并逐步走向实际应用。
