論文の概要: SparseC-AFM: a deep learning method for fast and accurate characterization of MoS$_2$ with C-AFM
- arxiv url: http://arxiv.org/abs/2507.13527v1
- Date: Thu, 17 Jul 2025 20:38:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-21 20:43:26.131014
- Title: SparseC-AFM: a deep learning method for fast and accurate characterization of MoS$_2$ with C-AFM
- Title（参考訳）: SparseC-AFM: C-AFMを用いたMoS$_2$の高速かつ高精度な評価法
- Authors: Levi Harris, Md Jayed Hossain, Mufan Qiu, Ruichen Zhang, Pingchuan Ma, Tianlong Chen, Jiaqi Gu, Seth Ariel Tongay, Umberto Celano,
- Abstract要約: 深層学習モデルSparseC-AFMはスパースC-AFMスキャンから2次元材料の導電率マップを再構成する。
フル解像度C-AFM画像からの手動抽出と比較して, 取得時間の11倍以上の短縮を実現した。
この研究は、実験室研究から工業製造まで、AIによる2D素材のキャラクタリゼーションに向けた重要なステップである。
- 参考スコア（独自算出の注目度）: 30.384688861611473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing use of two-dimensional (2D) materials in nanoelectronics demands robust metrology techniques for electrical characterization, especially for large-scale production. While atomic force microscopy (AFM) techniques like conductive AFM (C-AFM) offer high accuracy, they suffer from slow data acquisition speeds due to the raster scanning process. To address this, we introduce SparseC-AFM, a deep learning model that rapidly and accurately reconstructs conductivity maps of 2D materials like MoS$_2$ from sparse C-AFM scans. Our approach is robust across various scanning modes, substrates, and experimental conditions. We report a comparison between (a) classic flow implementation, where a high pixel density C-AFM image (e.g., 15 minutes to collect) is manually parsed to extract relevant material parameters, and (b) our SparseC-AFM method, which achieves the same operation using data that requires substantially less acquisition time (e.g., under 5 minutes). SparseC-AFM enables efficient extraction of critical material parameters in MoS$_2$, including film coverage, defect density, and identification of crystalline island boundaries, edges, and cracks. We achieve over 11x reduction in acquisition time compared to manual extraction from a full-resolution C-AFM image. Moreover, we demonstrate that our model-predicted samples exhibit remarkably similar electrical properties to full-resolution data gathered using classic-flow scanning. This work represents a significant step toward translating AI-assisted 2D material characterization from laboratory research to industrial fabrication. Code and model weights are available at github.com/UNITES-Lab/sparse-cafm.
- Abstract（参考訳）: ナノエレクトロニクスにおける2次元(2D)材料の利用の増加は、特に大規模生産において、電気的特性評価のための堅牢なメロロジー技術を必要としている。
導電性AFM(英語版)(C-AFM)のような原子間力顕微鏡(AFM)技術は精度が高いが、ラスター走査によるデータ取得速度の低下に悩まされている。
そこで本研究では,Sparse C-AFMスキャンからMoS$2$などの2次元材料の導電率マップを高速かつ正確に再構成する深層学習モデルであるSparseC-AFMを紹介する。
本手法は, 種々の走査モード, 基板, 実験条件に対して堅牢である。
比較を報告する。
(a)高画素密度C-AFM画像(例えば、収集15分)を手動で解析して関連する材料パラメータを抽出する古典的なフロー実装
b) SparseC-AFM法は, 取得時間(例えば, 5分未満)をかなり少なくするデータを用いて, 同一の操作を行う。
SparseC-AFMは,MoS$_2$のフィルム被覆,欠陥密度,結晶性島の境界,縁,ひび割れの同定など,臨界物質パラメータの効率的な抽出を可能にする。
フル解像度C-AFM画像からの手動抽出と比較して, 取得時間の11倍以上の短縮を実現した。
さらに,本モデルにより予測された試料は,古典的フロースキャンを用いて収集した完全分解能データと著しく類似した電気的特性を示すことを示した。
この研究は、AIによる2D材料の特徴を実験室の研究から工業製造へ翻訳するための重要なステップである。
コードとモデルウェイトはgithub.com/UNITES-Lab/sparse-cafmで入手できる。
関連論文リスト
- CNN-powered micro- to macro-scale flow modeling in deformable porous media [0.0]
本研究は, 変形性多孔質媒質中のマクロ内在透過性テンソルを, 実マイクロジオメトリーのマイクロCT画像の限られたセットを用いて予測する新しい手法を提案する。
この研究の新規性は、変形および異方性流れ条件下での細孔流体の挙動を予測するために畳み込みニューラルネットワーク(CNN)を活用することである。
論文 参考訳（メタデータ） (2025-01-11T07:36:41Z) - 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) - CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳（メタデータ） (2024-10-11T08:53:58Z) - Diffusion Probabilistic Model Made Slim [128.2227518929644]
軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。
一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
論文 参考訳（メタデータ） (2022-11-27T16:27:28Z) - Magnetic Resonance Fingerprinting with compressed sensing and distance
metric learning [38.88009278259666]
MRF(Magnetic Resonance Fingerprinting)は、複数の組織関連パラメータを同時に推定する新しい技術である。
MRF法は、k空間データを著しくアンサンプするため、アーティファクトのエイリアスに悩まされる。
複数の組織関連パラメータを同時に推定する圧縮センシング(CS)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-19T03:08:26Z) - STEM image analysis based on deep learning: identification of vacancy
defects and polymorphs of ${MoS_2}$ [0.49583061314078714]
2次元結晶の重要な構造的特徴の同定に完全畳み込みネットワーク(FCN)を適用した。
FCNは、様々なレベルのノイズ、収差、炭素汚染の存在下でのシミュレーション画像で訓練されている。
広範囲な実験STEM画像に対するFCNモデルの精度は、注意深いハンズオン分析の精度に匹敵する。
論文 参考訳（メタデータ） (2022-06-09T04:43:56Z) - 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) - Real-Time Mapping of Tissue Properties for Magnetic Resonance
Fingerprinting [20.834829860562248]
スパイラルk空間MRFデータから直接組織特性をシームレスにマッピングする新しいエンドツーエンドディープラーニングフレームワークを提案する。
本手法は,非カルト的k-空間データを直接消費し,適応密度補正を行い,複数の組織特性マップを前方通過で予測する。
論文 参考訳（メタデータ） (2021-07-16T21:05:47Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-26T02:50:09Z)
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。