找回密码
 立即注册

QQ登录

只需一步,快速开始

查看: 1157|回复: 0
打印 上一主题 下一主题

[材料资讯] 《Advanced Materials》刊发宇航学院尹继豪副教授团队最新研究成果

[复制链接]

73

主题

85

帖子

95

积分

注册会员

Rank: 2

积分
95
跳转到指定楼层
楼主
发表于 2020-6-29 14:44:04 | 只看该作者 |只看大图 回帖奖励 |倒序浏览 |阅读模式
北航新闻网6月29日电(通讯员 罗晓燕)6月9日,Advanced Materials杂志在线全文发表了我校宇航学院航天工程信息系尹继豪副教授团队与美国麻省理工学院Tomás Palacios团队,Jing Kong团队,Pablo Jarillo-Herrero团队在光学显微镜图像二维材料分析方面的最新研究成果:“Deep-Learning-Enabled Fast Optical Identification and Characterization of 2D Materials”。我校博士研究生韩炳男和麻省理工学院博士研究生林宇轩为文章共同第一作者,尹继豪副教授,Tomás Palacios教授,Jing Kong教授和Pablo Jarillo-Herrero教授为共同通讯作者。
       二维材料作为近十几年被重点研究的新型材料,具有诸多优异的性质。光学显微镜是研究人员能够直接观察二维材料的工具,然而基于显微镜图像对二维材料进行识别、检测以及性质分析的工作却鲜有人开展。另一方面,随着机器学习技术的不断发展,图像分析算法不断更新换代。以图像分割算法为例,传统图像分割算法只能依靠人机交互实现分割,或仅能对图像进行预处理,而如今基于深度学习的图像分割方法已经可以依靠对语义信息特征的理解实现高质量的图像分割效果。
       我校宇航学院尹继豪团队和美国麻省理工学院的Tomás Palacios团队,Jing Kong团队,Pablo Jarillo-Herrero团队合作,提出一种基于深度学习的二维材料快速识别与表征算法,该方法可直接利用光学显微镜图像对二维材料的类别、厚度进行识别,并可进一步实现对未知材料物理性质的预测。
       研究者首先收集了包含近10年内从6台不同的光学显微镜、至少30位来自8个研究组的研究人员拍摄的13类不同二维材料的光学显微镜图像,精细标注、构建了二维材料光学图像数据集。随后,基于该数据集训练并测试了深度神经网络对二维材料类别与厚度的识别能力,证实该网络具有较高的预测精度和实时处理能力。
       进一步的研究显示,已训练好的深度神经网络不但具备上述能力,还可以针对性地提取深度图形特征,如对比度、边缘、材料形状、尺寸、空间分布等。此外,基于10余个充分训练网络的统计结果显示,本算法还具备对未知材料一些物理性质的预测能力,如材料的禁带宽度和晶体结构等。
最后,研究者测试了经过训练集训练后的神经网络模型的迁移能力。实验证实,基于预训练网络识别不同制备方法下的二维材料,或未知的二维材料时,仅需较少的训练样本即可达到较好的识别精度,具备很好的迁移能力。
       本成果证实了基于人工智能的材料识别与表征方法将极大地提升对材料识别的速度,具有很好的迁移能力,且拥有对未知材料物理性质进行预测的潜能,在未来基于该方法的深入研究将大大加快二维材料的发现与探索,并有潜力应用于更广泛的纳米材料的光谱及成像表征技术。
该工作得到了国家自然科学基金、国家留学基金委未来科学家计划、北航青年拔尖人才计划等项目支持。
        论文原文链接:https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202000953


        文章来源:北航
        尹继豪,北京航空航天大学宇航学院副教授。2007年4月毕业于北京理工大学计算机应用技术专业,获工学博士学位。2007年4月至今在北京航空航天大学宇航学院从事教学、科研工作。2011年1月至4月在澳大利亚新南威尔士大学(UNSW)堪培拉校区担任Visiting Fellow;2014年4月至2015年4月在美国东北大学(NEU)电子和计算机工程系担任Visiting Associate Professor;2015年5月至2017年7月在美国麻省理工学院(MIT)电子工程和计算机科学系(EECS)担任Visiting Scientist。担任美国电气和电子工程师协会(IEEE)高级会员,担任多个国内外知名期刊审稿人,如:《Transactions on Geoscience and Remote Sensing》、《Geoscience and Remote Sensing Letters》、《电子学报》、《光学学报》等。




  声明:本网部分文章和图片来源于网络,发布的文章仅用于材料专业知识和市场资讯的交流与分享,不用于任何商业目的。任何个人或组织若对文章版权或其内容的真实性、准确性存有疑义,请第一时间联系我们,我们将及时进行处理。

本帖被以下淘专辑推荐:

分享到:  QQ好友和群QQ好友和群 QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友
收藏收藏 转播转播 分享分享 分享淘帖3
回复

使用道具 举报

小黑屋|手机版|Archiver|版权声明|一起进步网 ( 京ICP备14007691号-1

GMT+8, 2024-4-26 03:44 , Processed in 0.101392 second(s), 40 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表