計算機視覺作為深度學習的重要分支，被廣泛運用在各類圖像數據處理領域。得益于掃描探針顯微鏡（SPM）技術的發展，研究人員能夠直觀地在單分子、甚至是單原子尺度上觀察和分析物質。然而，一直以來在SPM圖像中提取信息主要依賴于實驗人員的主觀分析。
圖1：深度學習框架工作流程概述。此工作流程從標準SPM圖像采集開始，然后通過t-SNE算法進行圖像評估，該算法用于確認高分辨率SPM圖像中分子的可分性。隨后，在原始SPM圖像中選擇一個小區域的分子進行標記和數據增強，并作為實例分割深度學習模型（Mask R-CNN）的數據集。最后，機器視覺模型在訓練后將自動批量評估SPM圖像并輸出預測結果。在本工作中，作者開發了一個深度學習框架，運用Mask R-CNN目標檢測算法來實現SPM二元或多元納米結構中單分子的識別、分類和實例分割。為了展現該框架對分子的敏感度，作者使用了在SPM圖像中極為相似的兩種三角形分子作為案例。試驗結果表明，該框架可以高效準確辨識出兩種分子在SPM圖像上的細微差別并勾勒出分子輪廓。另外，課題組與南開大學王小野教授合作的“Heteroatom-Edged [4]Triangulene: Facile Synthesis and Two-Dimensional On-Surface Self-Assemblies”論文也于近日發表于Angew. Chem. Int. Ed.。該論文闡述了一種新型的具有氧–硼–氧（OBO）摻雜邊緣的雜[4]三角烯，并實現了在金屬表面的二維有序組裝（圖2）。實驗和理論計算表明硼氧雜[4]三角烯能在金屬表面通過分子間C–H···O氫鍵作用，在不同基底的調控作用下實現多孔組裝與致密堆積組裝兩種長程有序的結構，顯著區別于無序或孤立存在的全碳[4]三角烯。該工作展示了一類新型硼氧雜[4]三角烯分子，拓展了雜三角烯的材料體系，并進一步證明了其形成二維表面自組裝中的潛力，為納米石墨烯分子陣列化及其在未來納電子器件等領域的應用提供了新的思路。
圖2：A.已有的[4]三角烯和本文報道的硼氧雜[4]三角烯及其在不同基底上的組裝形貌示意圖；B.（a–h）OBO三角烯在不同基底上組裝體的STM圖像；（i）基于不同組裝結構的二聚體模型。
兩篇論文工作主要由上海大學MGI孫強教授課題組與南開大學王小野教授課題組合作完成。論文一中孫強教授為唯一通訊作者，第一作者為MGI碩士生朱志文。論文二中孫強教授為共同通訊作者，MGI博士生陸佳宜為共同第一作者。MGI表面科學課題組（www.qiangsungroup.cn）近年來利用數據挖掘、機器學習和人工智能方法，結合高通量實驗手段研究人工智能在表面科學中的應用，包括機器視覺、自動目標識別和性能預測。論文一鏈接：https://doi.org/10.1002/anie.202213503參考資料：https://news.shu.edu.cn/info/1013/65733.htm
在線客服
快速發布
我的店鋪
我的化學加
我的消息
我要充值
回到頂部
