近日，中國科學院上海光學精密機械研究所研究員王俊團隊在基于機器學習算法實現(xiàn)二維材料層數(shù)識別和物性檢測方面取得進展，相關文章以Thickness Determination of Ultrathin 2D Materials Empowered by Machine Learning Algorithms為題發(fā)表于《激光與光子學評論》（Laser & Photonics Reviews）。

　　自從發(fā)現(xiàn)石墨烯以來，大量新型二維層狀材料逐漸被發(fā)現(xiàn)和制備，目前已成為涵蓋絕緣體、拓撲絕緣體、半導體、半金屬到超導體的龐大家族。通常，二維材料的層數(shù)對于調節(jié)納米電子和光電器件的性能具有重要意義，在實現(xiàn)進一步的物理研究或器件制造之前，往往需要確定目標樣品的最佳厚度。目前，通過光學技術獲得光學圖像或光譜信息后，后續(xù)的數(shù)據(jù)處理往往依賴研究人員的專業(yè)知識，并且受個人經驗和主觀因素影響較大。

　　近年來，人工智能改變了現(xiàn)代社會的諸多方面，作為其最重要的子領域，機器學習通過收集和分析數(shù)據(jù)以預測復雜系統(tǒng)的行為并建立解決問題的模型，為物理、化學、材料科學等傳統(tǒng)研究領域帶來了新的發(fā)展機遇和解決方案。例如光學圖像作為實驗室中最容易獲取的數(shù)據(jù)集，是解決圖層識別高通量和實時性要求的簡單方法，機器學習算法可以提取圖像中的基本特征并建立決策模型，同時較好地適用于不同的光學系統(tǒng)，以滿足不同用戶對自動光學識別和表征的要求。除了光學圖像，機器學習算法還可以準確高效地分析光譜數(shù)據(jù)，這不僅可以利用光譜特征信息快速得到所需的樣品厚度，還可以從材料本秉特性出發(fā)，有效解決不同實驗平臺間測試數(shù)據(jù)誤差帶來的不利影響。更為重要的是，這些機器學習算法賦能的光學解決方案顯著促進了建立從數(shù)據(jù)出發(fā)的統(tǒng)一、快速、低成本、無損的測量方法和標準，進而有力推動了二維材料的工業(yè)級應用落地。

　　該文章系統(tǒng)總結了傳統(tǒng)光學技術與機器學習算法深度融合面臨的發(fā)展機遇與難題，提出檢測對象的多樣性、物理性質的差異性、測試環(huán)境的不穩(wěn)定性、光學技術的易干擾性和相關算法的準確性對跨實驗室標準制定帶來的潛在風險與挑戰(zhàn)。機器學習算法將對二維材料厚度測定的傳統(tǒng)研究方法帶來深刻變化，將人工勞動從現(xiàn)有的繁瑣材料表征過程中逐漸解放出來，有助于推動研究的快速發(fā)展，逐步走向實際應用。

　　論文鏈接 

機器學習算法賦能二維材料識別和檢測