近期，中国科学院上海光学精密机械研究所空天激光技术与系统部王俊研究员团队，在过渡金属硫化物单晶样品的智能检测与识别方面取得进展，相关论文以“Identification of triangular single crystals of transition metal dichalcogenides based on the detection algorithm”为题发表于Optics Letters。
图1. 基于目标检测算法的过渡金属硫化物三角单晶样品的检测过程示意图，以MoS2为例。
自石墨烯发现以来，新型原子级薄二维材料不断涌现，二维材料家族逐年稳步扩大。以过渡金属硫化物为代表的二维家族，有望通过与Si、LiNiO3、Si3N4等光子平台的集成来实现多种高性能的光电器件，从而构建功能齐全的异构片上光子系统。在将二维材料引入这些平台之前，必须建立能够对大量薄片进行分类并评估其结构特征的高通量检测程序。因此，为了满足未来高性能系统级芯片应用的实际需求，迫切需要开发有效的解决方案来快速、准确地检测和识别大量的二维材料。
研究团队提出了一种级联数字
图像处理和深度学习算法的检测模型，旨在区分和表征四种常见过渡金属硫化物的三角单晶样品，包括对MoS2、MoSe2、WS2和WSe2的定位和识别。研究人员分别在卤素灯和470 nm LED光源的照明条件下，拍摄了在蓝宝石衬底上通过化学气相沉积制备的四种样品的光学图像，建立了两类不同成像条件下的训练集。通过白平衡校正、降噪和图像增强等过程得到调整后的训练集，然后将其应用于预训练得到的检测模型中，最终通过迁移学习得到了解决这一问题的检测模型。在测试集上对训练得到的模型进行验证，成功实现了不同类型样品的区分和单个三角单晶样品的精确定位，具有可靠的准确性和高度的鲁棒性。该人工智能光学检测方法作为强大的数据驱动工具，显著提高了表征效率和识别准确率，有望推动二维材料研究工作的进步和器件应用的发展。
本工作得到了国家自然科学基金、中国科学院的项目支持。
