論文の概要: Rapid morphology characterization of two-dimensional TMDs and lateral heterostructures based on deep learning

• arxiv url: http://arxiv.org/abs/2503.00470v1
• Date: Sat, 01 Mar 2025 12:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:21:10.932593
• Title: Rapid morphology characterization of two-dimensional TMDs and lateral heterostructures based on deep learning
• Title（参考訳）: 深層学習に基づく2次元MDDと側方ヘテロ構造の高速形態解析
• Authors: Junqi He, Yujie Zhang, Jialu Wang, Tao Wang, Pan Zhang, Chengjie Cai, Jinxing Yang, Xiao Lin, Xiaohui Yang,
• Abstract要約: 本研究では,2次元材料,特にMoS2-MoSe2の側面ヘテロ構造とMoS2フレークの形状と厚さの変化を特徴付ける深層学習手法を提案する。 YOLOモデルを利用することで、これらの材料を識別する精度は94.67%以上となる。
• 参考スコア（独自算出の注目度）: 23.746126635186503
• License:
• Abstract: Two-dimensional (2D) materials and heterostructures exhibit unique physical properties, necessitating efficient and accurate characterization methods. Leveraging advancements in artificial intelligence, we introduce a deep learning-based method for efficiently characterizing heterostructures and 2D materials, specifically MoS2-MoSe2 lateral heterostructures and MoS2 flakes with varying shapes and thicknesses. By utilizing YOLO models, we achieve an accuracy rate of over 94.67% in identifying these materials. Additionally, we explore the application of transfer learning across different materials, which further enhances model performance. This model exhibits robust generalization and anti-interference ability, ensuring reliable results in diverse scenarios. To facilitate practical use, we have developed an application that enables real-time analysis directly from optical microscope images, making the process significantly faster and more cost-effective than traditional methods. This deep learning-driven approach represents a promising tool for the rapid and accurate characterization of 2D materials, opening new avenues for research and development in material science.
• Abstract（参考訳）: 2次元(2次元)材料とヘテロ構造は、ユニークな物理的性質を示し、効率的かつ正確な評価方法を必要とする。 人工知能の進歩を生かして, ヘテロ構造と2次元材料, 特にMoS2-MoSe2の側方ヘテロ構造とMoS2のフレークを, 形状や厚さの異なる方法で効率よく特徴付ける深層学習手法を提案する。 YOLOモデルを利用することで、これらの材料を識別する精度は94.67%以上となる。 さらに,異なる材料間での伝達学習の適用について検討し,モデル性能をさらに向上させる。 このモデルは、堅牢な一般化と反干渉能力を示し、多様なシナリオにおいて信頼性の高い結果を保証する。 本研究では,光学顕微鏡画像から直接リアルタイム解析を可能にするアプリケーションを開発した。 この深層学習駆動型アプローチは、2D素材の迅速かつ正確なキャラクタリゼーションのための有望なツールであり、材料科学の研究と開発のための新たな道を開く。

関連論文リスト

• DARWIN 1.5: Large Language Models as Materials Science Adapted Learners [46.7259033847682]
  DARWIN 1.5は,材料科学に適したオープンソースの大規模言語モデルである。 DARWINはタスク固有の記述子の必要性を排除し、材料特性の予測と発見に対する柔軟な統一的なアプローチを可能にする。 提案手法は,6Mの物質ドメイン論文と49,256の物質から得られた21の実験データセットを統合し,タスク間の知識伝達を可能にする。
  論文  参考訳（メタデータ） (2024-12-16T16:51:27Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• Composite Material Design for Optimized Fracture Toughness Using Machine Learning [0.0]
  本稿では,機械学習(ML)技術を用いた2次元および3次元複合構造の最適化について検討する。 二重カンチレバービーム(Double Cantilever Beam, DCB)試験における破壊靭性とき裂進展に焦点を当てている。
  論文  参考訳（メタデータ） (2024-06-23T17:01:14Z)
• Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties [0.0]
  いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。 材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
  論文  参考訳（メタデータ） (2023-09-01T07:29:44Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• Machine-learning accelerated identification of exfoliable two-dimensional materials [0.0]
  2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。 バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。 我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
  論文  参考訳（メタデータ） (2022-07-18T14:48:53Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Computational discovery of new 2D materials using deep learning generative models [6.918364447822299]
  2次元(2次元)材料は多くの適用の有望な機能材料として現われました。 ランダムな森林ベースの2次元材料と組み合わせた組成生成のためのディープラーニング生成モデルを提案する。 267,489の新しい2D材料組成を発見し、12の2D/多層材料を確認しました。
  論文  参考訳（メタデータ） (2020-12-16T23:10:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。