【摘要】 讲解 AM 论文深度学习算法解析原子分辨 TEM 图像流程，定量测算层间堆垛位移，科学指南针可提供二维材料表征文献咨询。

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。

 

双层磷烯的层间堆垛方式直接影响材料电学、光学基础性能，传统人工分析存在主观性，且难以高效处理连续原位数据。，无法批量处理动态原位数据，《Advanced Materials》相关研究搭建深度学习解析体系，完成微观结构定量表征工作。

 

一、传统 TEM 图像分析存在哪些短板？

1.人工识别晶胞图案带有主观性，位移测算数值存在偏差；

2.无法批量处理长时间序列原位 TEM 连续成像数据集；

3.难以捕捉材料形变过程中层间位移随时间、空间的动态变化规律。

 

二、深度学习图像解析完整工作流程

2.1 模型训练：适配双层磷烯原子衬度图像

基于双层磷烯原子分辨相位衬度 TEM 图像完成模型训练，算法可自动划分完整晶胞单元，定位每层原子排布位置。

2.2 定量测算层间堆垛位移

算法自动计算双层磷烯层间堆叠位移，原研究标定测算误差约为晶胞尺度的 3.3%，空间分辨率可达单胞级别。

2.3 原位动态数据时序化分析

该算法兼容长时间原位电镜连续拍摄图像序列，可追踪材料边缘重构、应力作用下的层间结构动态变化，用于分析层间位移随时间和空间的变化。

 

三、技术适用边界说明

本次研究算法仅针对双层磷烯体系开发，素材内未提及可拓展至石墨烯、MXene 等其他二维层状材料，不可随意泛化套用。科学指南针可协助科研人员理解 AI 电镜表征逻辑、梳理论文定量分析写作要点，具体图像解析相关工作能否承接，需要结合图像数据与研究目标评估。

 

【FAQ 问答】

1.深度学习测算双层磷烯层间位移误差为多少？ 答：原研究报道约为晶胞尺度的 3.3%。

2.这套算法可以处理原位时序 TEM 图像吗？ 答：可以，能够批量解析连续拍摄的原位动态成像数据。

3.本次算法适用材料仅限哪一种？ 答：双层磷烯，未拓展其他二维材料体系。

4.人工分析 TEM 图像的主要缺陷是什么？ 答：测算存在偏差、带有主观性、无法批量处理动态时序数据。

5.科学指南针可协助解读二维材料 AI 表征论文吗？ 答：可以开展文献解析与科研思路沟通，具体图像计算服务适配情况需依据实际项目确认。

6.算法空间分辨率可以达到什么级别？ 答：单胞级别。

 

参考文献：

K. Lee, S. Lee, Y. Lee, K. Kim, Deep Learning Analysis of Localized Interlayer Stacking Displacement and Dynamics in Bilayer Phosphorene. Adv. Mater. 2025, 37, 2416480. https://doi.org/10.1002/adma.202416480[5]

原文链接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202416480