Los materiales bidimensionales (2D) como el grafeno, el fosforeno y el MoS₂ ofrecen oportunidades transformadoras, pero a menudo se ven afectados por vacantes inducidas por la síntesis. Las herramientas de caracterización existentes —microscopía de resolución atómica y dinámica molecular— son lentas, costosas y no adecuadas para la evaluación a gran escala. Introducimos un marco de procesamiento de imágenes impulsado por IA que combina el análisis automatizado de imágenes en escala de grises con el aprendizaje automático para detectar y cuantificar vacantes de manera rápida y precisa. Al convertir la información estructural en descriptores basados en píxeles personalizados, nuestro método regresa las coordenadas de defectos, radios y densidades sin insumos a escala atómica. Validado en miles de imágenes simuladas con defectos controlados, el marco alcanza más del 96% de precisión en las predicciones y supera el análisis de vibraciones térmicas (~90%), eliminando la necesidad de configuraciones experimentales especializadas. El enfoque es generalizable a través de sistemas de materiales, permitiendo la evaluación de alto rendimiento y el análisis estandarizado de defectos para aplicaciones en nanoelectrónica, sensores y tecnología cuántica. Este trabajo acelera el diseño y la optimización guiados por IA de materiales 2D ingenierizados por defectos.
Ehsan Alibagheri (Mié,) estudió esta pregunta.