近期，西安电子科技大学马晓华教授、李培咸教授课题组在深度学习应用于双层材料的转角识别方面取得进展，研究成果以“Identification and Structural Characterization of Twisted Atomically Thin Bilayer Materials by Deep Learning”为题，于2月26日在应用物理和材料领域国际顶级期刊Nano Letters（中科院1区Top）在线发表。该工作以先进材料与纳米科技学院谢涌指导的研究生杨海涛为第一作者，谭平恒、谢涌、周岩作为通讯作者，西安电子科技大学先进材料与纳米科技学院为第一单位（Nano Letters, 2024, 24 (9): 2789−2797）。
论文链接：
https://pubs.acs.org/doi/abs/10.1021/acs.nanolett.3c04815
将两个相同的单层二维材料相对地旋转一定角度并垂直堆垛在一起可形成转角双层二维材料。两层材料之间的转角会在材料界面处引入莫尔势，从而可以周期性地调制其晶格结构、能带结构等重要的物理性质。通过精确调控双层材料之间的转角，可对该类材料中的诸多关联电子态和光学性质进行精细地调控。例如，在魔角石墨烯（转角~1.1°）中，小到0.05°的转角改变就能导致不同的关联电子态，包括超导、关联绝缘态等。目前，确定双层二维材料转角的方法主要有拉曼光谱、透射电子显微镜、扫描隧道显微镜等，这些方法通常耗时较长、价格昂贵。由于热力学限制，多数化学气相沉积法（CVD）生长的双层二维材料转角多为0°或者60°。因此，构建足够多的数据集（包含0-60°的各种情况）从而训练精确的深度学习模型具有较大难度，最终难以构筑双层材料的转角自动识别系统。在自然科学领域，有很多科学规律可以指导我们利用计算的方法产生合成数据，而这些合成数据不受实验条件的限制，只要有足够多的计算资源就可以产生任意多的数据。通过这些合成数据可以训练人工智能模型，这种合成数据与模型的迭代会产生飞轮效应，能够让人工智能模型实现自我演化，从而更深入地理解科学本质。
图1. 采用两步深度学习方法识别双层二维材料的转角
西安电子科技大学与中科院半导体所通力合作，首次实现了采用深度学习方法识别CVD生长双层二维材料的转角。首先，本工作使用光学显微镜收集了CVD制备的二硫化钼（MoS2）的颜色空间，并应用语义分割卷积神经网络（CNN）来准确快速地识别MoS2的厚度。其次，本工作训练了第二个CNN模型，以实现关于CVD生长的双层TMD材料旋转角度的精确预测，该模型创新性的使用了超过10,000个历经巧妙设计的人工合成图像的转角数据集用以训练网络，包括从六边形到三角形的几何形状。通过二次谐波和拉曼光谱的后续验证，证明设计的神经网络能够对双层TMD材料转角进行快速、精确预测。论文一经发表即得到耶鲁大学Diana Qiu教授的引用（arXiv:2404.14601），指出我们的工作使量子理论扩展到理解更大和更复杂系统的物理成为可能。
在此基础上，该团队已经实现了大面积的图像拼接，能够对所生长样品的双层覆盖率和双层转角等信息进行识别和统计分析。该方法易于扩展，用于自动得到双层TMD材料层间转角，可大大提高研究人员的样品识别效率。此外，该研究还为深度学习在材料科学领域的应用提供了一个新的范例。
