Учеными ИОХ РАН предложен метод машинного обучения для анализа дефектов на поверхности углеродных материалов
Углеродные материалы имеют первостепенное значение в различных областях материаловедения: от электронных устройств до промышленных катализаторов. Свойства этих материалов тесно связаны с распределением дефектов — нарушений электронной плотности на их поверхностях. Разные материалы имеют различное количество и распределение дефектов, которые можно визуализировать посредством сканирующей электронной микроскопии (СЭМ) с помощью маркеров – металлических наночастиц. Предпочтительное прикрепление этих частиц к дефектам позволяет обнаружить ранее незаметные дефекты сканированием поверхности электронным пучком. Упорядоченное распределение частиц на поверхности свидетельствует о наличии дефектов, тогда как отсутствие дефектов приводит к хаотичному распределению. Однако анализ полученных результатов, в частности, оценка упорядоченности наночастиц и, как следствие, дефектов, зачастую бывает затруднительным из-за большого массива регистрируемых данных.
Учеными Лаборатории металлокомплексных и наноразмерных катализаторов ИОХ РАН предложен инновационный метод машинного обучения, способный различать углеродные материалы с упорядоченным и неупорядоченным расположением дефектов, отмеченных прикреплением наночастиц палладия. Подход включает высокопроизводительный расчет различных признаков из двух основных групп: ориентаций наночастиц и построения полилиний. Разработанный метод может лечь в основу более общего показателя упорядоченности — степени упорядоченности. Исследователи также продемонстрировали, что упорядоченность наночастиц тесно связана с динамическими процессами, происходящими в химических реакциях. Применение предложенных моделей окажет существенное влияние на автоматизацию анализа изображений СЭМ в исследованиях углеродных материалов и материаловедении в целом.
Источник:
Mikhail Yu. Kurbakov, Valentina V. Sulimova, Andrei V. Kopylov, Oleg S. Seredin, Daniil A. Boiko, Alexey S. Galushko, Vera A. Cherepanova, Valentine P. Ananikov Determining the orderliness of carbon materials with nanoparticle imaging and explainable machine learning Nanoscale, 2024, 16, 13663-13676. DOI: 10.1039/D4NR00952E.
Веб-сайт: https://AnanikovLab.ru
Тг-канал: https://t.me/ananikovlab