Caracterização Cross-Modal de MoS2 em Fita Fina Usando Modelos Generativos

O crescimento e a caracterização de materiais usando otimização empírica geralmente exigem uma quantidade significativa de tempo de especialistas, experiência e recursos. Vários métodos de caracterização complementares são realizados rotineiramente para determinar a qualidade e as propriedades de uma amostra cultivada. Aprendizado de máquina (ML) pode suportar as abordagens convencionais usando dados históricos para guiar e proporcionar velocidade e eficiência ao crescimento e à caracterização de materiais. Especificamente, o ML pode fornecer informações quantitativas a partir de dados de caracterização que são tipicamente obtidos de uma modalidade diferente. Neste estudo, investiga-se a viabilidade de projetar métricas quantitativas a partir de medições de microscopia, como a microscopia de força atômica (AFM), usando dados obtidos de medições de espectroscopia, como a espectroscopia Raman. Modelos generativos também são treinados para gerar as características completas e específicas dos espectros Raman e de fotoluminescência entre si e das imagens de AFM do MoS2 em fita fina. Os resultados são promissores e forneceram um guia fundamental para o uso de ML na caracterização cross-modal de materiais para sua descoberta acelerada, eficiente e econômica.