【摘要】 详解 AM 下篇 EGNN 小样本学习框架，批量识别材料空位、晶界、掺杂等原子缺陷，适配高通量显微图像分析，科学指南针可提供二维材料表征。

科研人必备干货｜全套科研知识库

常用科研资料汇总，点击领取即可获取。

 

EGNN 等变图神经网络依托原子拓扑图完成显微图像定量分析，相比传统图像深度学习具备不同模型体量与缺陷识别能力，适配高通量原子结构数据处理；科学指南针可围绕电镜 AI 表征方向开展文献梳理，具体图像解析相关工作需项目评估确认。

 

一、传统图像深度学习解析 TEM 图像存在局限

传统深度学习模型基于固定尺寸图像块训练，处理包含空位、晶界、掺杂、晶格畸变等多类原子构型的显微图像时，存在数据适配、模型泛化层面的限制，难以批量定量提取原子尺度结构特征。原研究提出 EGNN 等变图神经网络小样本学习框架。

 

二、EGNN 图神经网络完整工作流程

2.1 模型底层逻辑与体量特征

模型以原子结构拓扑图作为输入载体，对比传统图像驱动深度学习，原研究报道模型参数量下降约三个数量级，原研究特别讨论了其对复杂晶格畸变空位线的识别能力。该研究将其作为小样本学习框架，用于多类缺陷识别。

2.2 批量定量分析缺陷与动力学统计

算法可批量识别空位、物相、晶界、掺杂等多种原子结构，定量提取结构特征；结合统计方法分析电子束辐照条件下空位线自组装动态变化规律，解析缺陷演化过程。

2.3 通用模型工具包搭建

研究整合多类单一缺陷识别 EGNN 子模型，搭建通用工具包，以任务链形式连续识别复杂显微图像内多种结构特征；依托该分析工具，研究识别出具备析氢反应活性的新型掺杂原子构型。

 

三、该表征算法适用边界说明

原文仅针对原子分辨显微图像、含各类晶格缺陷的固态材料开展验证，未拓展至其他尺度光学图像、宏观形貌图像。科学指南针可协助理解图神经网络电镜分析逻辑、梳理论文定量表征写作框架，具体图像解析相关工作能否承接，需要提供原始图像数据与研究目标综合评估。

 

【FAQ 问答】

1.EGNN 框架相比传统图像深度学习参数量有何变化？ 答：原研究报道参数量降低约三个数量级。

2.EGNN 可识别哪些原子尺度结构缺陷？ 答：空位、物相、晶界、掺杂、晶格畸变空位线等。

3.该框架基于何种数据载体完成原子结构分析？ 答：原子结构拓扑图。

4.研究依托 EGNN 分析发现何种功能性结构？ 答：具备析氢反应电催化性能的新型掺杂原子构型。

5.EGNN 框架是否属于小样本学习体系？ 答：属于，框架适配小样本数据集完成缺陷识别训练

 

参考文献：

Z. Luo, M. Feng, Z. Gao, J. Yu, C. Chen, L. Hu, T. Wang, S. Xue, S. Zhou, F. Ouyang, D. Feng, H. Wang, K. Xu, J. Zhang, S. Wang, Exploring Structure Diversity in Atomic Resolution Microscopy With Graph. Adv. Mater. 2025, 37, 2417478. https://doi.org/10.1002/adma.202417478.

原文链接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202417478