第一，研究作者、机构与发表信息 本研究由Kihyun Lee、Sol Lee、Yangjin Lee（通讯作者）和Kwanpyo Kim（通讯作者）共同完成。作者团队主要来自延世大学（Yonsei University）物理系和基础科学研究院（Institute for Basic Science）纳米医学中心。其中，Yangjin Lee亦隶属于成均馆大学（Sungkyunkwan University）能源科学系。此项研究工作以题为《Deep Learning Analysis of Localized Interlayer Stacking Displacement and Dynamics in Bilayer Phosphorene》的研究论文形式，于2025年发表于学术期刊《Advanced Materials》上。
第二，研究学术背景 本研究属于凝聚态物理、材料科学与电子显微学交叉领域，具体聚焦于二维范德华（van der Waals, vdw）层状材料的原子尺度结构与性质调控。
研究背景的核心在于，层间堆垛位移（interlayer stacking displacement）——即相邻层之间原子沿平面方向的相对滑动——已成为调控层状材料多种物理性质（如电学性质、磁性、铁电特性及相变）的关键机制。例如，MoS2、WS2等材料的铁电性，以及CrI3等材料的磁性，都强烈依赖于堆垛构型。在扭曲范德华晶体中，摩尔纹图案形成的局部堆垛差异更是导致了包括超导在内的强关联现象。因此，精确识别和表征原子尺度的局部堆垛构型，对于理解结构-物性关联至关重要。
然而，现有的堆垛构型识别技术面临挑战。原子力显微镜、拉曼光谱等方法空间分辨率有限；扫描透射电子显微镜（STEM）、扫描隧道显微镜（STM）等技术虽能实现原子分辨率，但其时间分辨率通常不足以捕捉动态过程。相比之下，相位衬度透射电子显微镜（Phase-Contrast TEM）能同时提供较高的时空分辨率，但传统分析方法（如几何相位分析GPA和峰对分析PPA）在处理相位衬度TEM图像时，难以准确识别因层间位移导致的、空间变化的单胞图案及其结构因子，阻碍了对层间堆垛位移的精确测定。
因此，本研究旨在开发一种基于深度学习的新方法，用于分析原子分辨率TEM图像，实现对双层磷烯（Phosphorene）中单位晶格图案的识别和层间堆垛位移的精确鉴定。磷烯因其独特的褶皱、高度各向异性的面内结构、强烈的层间耦合以及堆垛依赖的能隙变化，被选为理想的研究模型体系。本研究的目标是克服传统TEM分析方法的局限，建立一个能够高效、精确、高通量处理原位TEM大数据集的分析流程，从而揭示层间位移的时空动力学。
第三，研究详细工作流程 本研究的工作流程主要包括以下几个环环相扣的步骤：
1. 模拟数据集构建与深度学习模型开发 这是整个研究的基石。研究团队并未直接从实验图像开始，而是首先生成了大规模、高质量的模拟TEM图像数据集用于模型训练。 * 研究对象与样本量： 研究针对双层磷烯构建了总共40960张模拟的相位衬度TEM图像。这些图像涵盖了所有可能的堆垛构型。 * 模拟与处理： 使用abTEM软件进行TEM图像模拟。关键参数包括：球差Cs = -10 μm，汇聚角0.10 mrad，物镜光阑半径1.5 Å^(-1)，并在不同离焦值下进行模拟。为了模拟真实实验条件，图像中加入了不同水平的噪声。鉴于相位衬度成像对离焦值敏感（可能导致明暗衬度反转），研究创新性地采用了基于“主轴”和“次轴”位移的标签策略，而非直接使用沿扶手椅（armchair）或锯齿（zigzag）方向的位移作为标签。这使得模型能够专注于识别位移的量值，而不受离焦引起的衬度变化干扰。 * 模型架构： 研究采用了一种基于编码器-解码器结构的全卷积神经网络（Fully Convolutional Network, FCN），具体是一个残差卷积神经网络（ResUnet）。该网络专门用于图像分割任务，能够对输入图像的每个像素点（对应每个单胞区域）输出一个连续的位移值预测。 * 训练过程： 使用上述模拟图像数据集对模型进行训练，共训练2000个周期（epoch），每个周期处理随机选择的1536张图像，批次大小为32。通过监控训练损失和验证损失曲线，选择验证损失最低的模型参数作为最终模型。
2. 模型性能验证与基准测试 在将模型应用于实验数据前，需要严格评估其准确性和鲁棒性。 * 验证方法： 使用独立的模拟图像数据集验证模型预测位移与真实位移（标签）之间的吻合度。通过线性回归分析斜率（理想值为1）和计算预测误差的标准差来量化精度。 * 噪声测试： 系统评估了模型在不同信噪比（Signal-to-Noise Ratio, SNR）条件下的表现，以确定其在真实实验噪声环境下的可靠性。 * 与传统方法对比： 将深度学习模型的预测结果与传统方法（如基于快速傅里叶变换FFT的结构因子计算、布拉格滤波分析）进行对比，凸显新方法在空间分辨率和准确性方面的优势。
3. 应用于原位TEM实验数据分析 这是模型价值的最终体现。研究将训练好的深度学习模型应用于真实的大型原位TEM数据集。 * 研究对象与数据采集： 研究对象为石墨烯支撑的双层磷烯样品。样品通过干法转移技术在惰性气氛中制备。TEM观测使用配备球差校正器的JEOL-ARM 200F显微镜在80 kV下进行。为了研究动态过程，样品被加热至270°C，并在电子束照射下进行原位观测。时间序列图像以约6帧/秒的速率采集，共分析了739张图像，涉及约900万个原子。 * 数据处理流程： 首先，通过FFT分析和掩模技术去除来自石墨烯支撑层的信号。随后，将每一帧TEM图像输入到训练好的深度学习模型中。模型自动对图像中的每个单胞区域进行处理，输出两个位移分量（沿主轴和次轴）的彩色编码图。整个大规模数据集的处理在约12分钟内完成，展示了高通量分析能力。 * 特定现象分析： 研究聚焦于磷烯边缘（特别是锯齿形终止边缘）的重构现象。模型被用来量化边缘附近的局域层间位移场，并追踪其随时间演化的动力学行为。通过计算位移场的空间导数，进一步得到了面内应变场。
4. 能量学分析与机制阐释 为了理解观察到的位移和动力学现象，研究结合了理论计算。 * 能量计算： 利用已知的双层磷烯势能面（Potential Energy Surface, PES）函数和磷烯的杨氏模量，根据模型预测的位移场和应变场，计算了局域的层间堆垛能（Estacking）和面内应变能（Estrain）。 * 模型构建： 基于简单的指数衰减模型，推导了总能量变化与位移衰减长度（τs）的关系，从能量竞争的角度解释了实验观测到的局域位移衰减行为。
第四，研究主要结果 1. 深度学习模型展现出极高的精度与鲁棒性。 在模拟数据验证中，模型预测位移与真实位移的线性回归斜率达到1.02，误差的标准偏差仅为1.65%。这意味着在95%置信水平下，模型对单胞内层间位移的预测误差不超过3.3%。在信噪比（SNR）测试中，当SNR达到典型实验值（约10.3 dB）时，模型的预测准确率超过90%。这证明了该模型能够从具有相当噪声的真实TEM图像中可靠地提取亚单胞精度的位移信息。
2. 模型实现了接近单胞尺度的空间分辨率。 与传统布拉格滤波方法相比，深度学习分析提供了显著增强的空间分辨率。对边缘位移剖面进行分析，其半高全宽（FWHM）仅为约3.7 Å，与磷烯的单胞尺寸相当。而布拉格滤波方法由于依赖于周期性假设和滤波过程，其空间分辨率本质受限。这一结果标志着在相位衬度TEM图像中分析局部结构的能力取得了重要突破。
3. 成功揭示了双层磷烯边缘重构引起的局域层间位移及其动力学。 应用于原位TEM数据，模型清晰地绘制出了锯齿形终止边缘附近的层间位移场图。结果显示： * 沿垂直于边缘的方向（被确定为扶手椅方向，即主轴）存在显著的局域层间位移，最大幅度约20%，与理论预测的边缘重构结构一致。 * 该位移从边缘向内部呈指数衰减，拟合得到的衰减长度τs为19.2 ± 3.8 Å。 * 沿平行于边缘的方向（锯齿方向，即次轴）位移极小（%）。 * 通过对比模型预测位移生成的模拟TEM图像与对应区域的实验图像，两者高度吻合，交叉验证了结果的可靠性。
4. 从能量学角度成功解释了局域位移的衰减行为。 能量计算表明，边缘区域的总能量变化是层间堆垛能（倾向于扩大位移影响区域）和面内应变能（倾向于限制位移区域）竞争的结果。基于简单衰减模型的理论推导得出，能量最优的衰减长度τs约为16.3 Å，与实验观测值（19.2 ± 3.8 Å）高度吻合。这从物理机制上证实了观察到的位移场分布是由系统能量最小化驱动的。
5. 捕捉并量化了边缘状态的动态演化。 时间序列分析揭示了在电子束辐照下，磷烯边缘的两种状态（State I：原始未重构边缘；State II：重构、自钝化边缘）之间的转变。 * 形成： 在电子束诱导的刻蚀过程中，新暴露的边缘倾向于转变为能量更低的State II，表现为局部位移的出现。 * 稳定性： 一旦形成，完美的锯齿形终止State II边缘在电子束下表现出高度的稳定性。 * 缺陷与修复： 长时间辐照可能导致边缘局部缺陷（如空位）的形成，暂时破坏重构（回到State I），但这些缺陷会自我修复，边缘重新回到State II。 * 寿命统计： 对State I缺陷态的寿命分析表明，其占据数随时间呈指数衰减，时间衰减常数约为0.43秒。这为了解边缘缺陷的动力学和稳定性提供了定量数据。 * 边缘取向依赖性： 分析还表明，State II重构态仅稳定存在于接近完美锯齿形终止（边缘斜率α≈0）的边缘，而对于不规则形状或非零斜率的边缘，无法发生有效重构，始终保持在State I。
第五，研究结论与价值 本研究成功开发并验证了一种基于深度学习的全新分析方法，用于从原子分辨率相位衬度TEM图像中精确、高通量地识别层间堆垛位移。该方法应用于双层磷烯体系，不仅实现了高达3.3%单胞位移的测量精度和接近单胞尺度的空间分辨率，更重要的是，它能够高效处理大规模原位TEM数据集，从而首次清晰揭示了与边缘重构相关的、空间变化且时间依赖的层间位移动力学。
其科学价值在于： 1. 方法论创新： 为二维材料，特别是具有复杂结构的非六方晶系材料（如磷烯）的原子尺度结构分析，提供了一个强大的新工具。它弥补了传统TEM分析手段在识别局部堆垛构型方面的不足。 2. 机理揭示： 通过对磷烯边缘重构的深入研究，定量揭示了局域层间位移场的分布、衰减行为及其背后的能量竞争机制，并统计了边缘缺陷态的动力学寿命，深化了对二维材料边缘结构与稳定性的理解。 3. 桥梁作用： 该技术能够高效连接高时空分辨率的原位TEM观测与材料的微观结构信息，为研究其他动态现象（如层间滑移、相变、畴壁运动等）提供了可能。
其应用价值与前景包括： 1. 高通量分析： 处理大规模显微镜数据集的能力，使其适用于统计分析和机器学习驱动的材料发现。 2. 普适性： 该方法论可推广至其他双层范德华材料体系，只需根据目标材料的单胞对称性和堆垛构型重新训练模型即可。 3. 扩展应用： 在扭曲层状系统、铁电/磁性畴结构、以及任何涉及局部晶格变形或层间滑移的动态现象研究中，都具有巨大的应用潜力。
第六，研究亮点 1. 精度与分辨率的突破： 在相位衬度TEM成像领域，首次实现了对层间堆垛位移接近单胞尺度、误差仅3.3%的定量测量，空间分辨率达到单胞水平。 2. 深度学习与电子显微学的深度融合： 创新性地设计并应用了针对TEM图像特点（如离焦敏感）的标签策略和全卷积神经网络，解决了传统方法无法解决的科学问题。 3. 动态过程的量化揭示： 成功将静态结构分析工具应用于动态过程，以前所未有的细节捕捉并量化了二维材料边缘重构及缺陷修复的时空动力学，包括位移场、应变场、能量分布和态寿命。 4. 完整的“方法开发-验证-应用-机理阐释”研究闭环： 从模拟数据生成、模型训练验证，到实际复杂实验系统（原位、动态、有支撑层）的应用，再到结合理论计算进行物理解释，形成了一个严谨、完整且具有说服力的研究体系。
第七，其他有价值内容 本研究还展示了深度学习模型在处理实验图像时的具体策略，例如通过FFT掩模去除石墨烯支撑层的信号，这为分析复杂异质结样品提供了技术参考。此外，文中对传统方法（GPA， PPA）为何失效的简要分析（见支持信息），也有助于读者更深刻地理解相位衬度图像分析的难点和新方法的必要性。研究团队公开表示，支持本研究结果的数据可根据合理要求从通讯作者处获取，这符合开放科学的原则。