Apprentissage profond des images de microscopie électronique de transmission à balayage résolues atomiquement : identification chimique et suivi des transformations locales

Les récentes avancées en microscopie électronique de transmission à balayage et en microscopie à sonde locale ont ouvert des perspectives passionnantes pour l'exploration des paramètres structurels des matériaux et de diverses propriétés fonctionnelles dans l'espace réel avec une précision au niveau de l'angström. Ce progrès a été accompagné d'une augmentation exponentielle de la taille et de la qualité des ensembles de données produites par des techniques expérimentales microscopiques et spectroscopiques. Ces développements nécessitent des méthodes adéquates pour extraire des informations physiques et chimiques pertinentes à partir des grands ensembles de données, pour lesquels les informations a priori sur les structures de diverses configurations atomiques et des défauts de réseau sont limitées ou absentes. Ici, nous démontrons une application des réseaux neuronaux profonds pour extraire des informations à partir d'images résolues atomiquement, y compris la localisation des espèces atomiques et le type de défauts. Nous développons une approche "faiblement supervisée" qui utilise des informations sur les coordonnées de toutes les espèces atomiques dans l'image, extraites via un réseau neuronal profond, pour identifier une riche variété de défauts qui ne font pas partie d'un ensemble de formation initial. Nous appliquons en outre notre approche pour interpréter des transformations complexes d'atomes et de défauts, y compris le passage entre différentes coordinations des dopants au silicium dans le graphène en fonction du temps, la formation d'un dimère de silicium particulier avec une coordination mixte de 3 et 4, et le mouvement d'un "rotor" moléculaire. Cette approche basée sur l'apprentissage profond ressemble à la logique d'un opérateur humain, mais peut être mise à l'échelle, entraînant un changement significatif dans la manière d'extraire et d'analyser des informations à partir de données expérimentales brutes.