本文介绍了一项发表于2019年的原创性研究工作，该论文标题为“Deep learning analysis of defect and phase evolution during electron beam-induced transformations in WS2”，发表在期刊 *npj Computational Materials*（第5卷，文章号12）。研究团队主要由来自橡树岭国家实验室（Oak Ridge National Laboratory）多个研究中心的科学家组成，包括Artem Maksov、Ondrej Dyck、Kai Wang、Kai Xiao、David B. Geohegan、Bobby G. Sumpter、Rama K. Vasudevan、Stephen Jesse、Sergei V. Kalinin 和 Maxim Ziatdinov。通讯作者为Sergei V. Kalinin和Maxim Ziatdinov。

本研究的学术背景聚焦于材料科学、电子显微学和人工智能的交叉领域。扫描透射电子显微镜（Scanning Transmission Electron Microscopy, STEM）技术的进步使得实时、原子级分辨观测材料中的固态转变（如电子束诱导的转变）成为可能。然而，高速采集的海量数据超出了人工分析的极限，导致对过程动力学、热力学以及单个缺陷动态和相互作用等关键信息的挖掘严重不足。因此，研究人员面临的核心挑战是如何高效、自动化地从动态STEM图像序列（常被称为“电影”）中提取定量信息。本研究旨在开发一种深度学习方法，以克服这一瓶颈，实现对二维材料WS2中电子束诱导缺陷和相变的自动、定量分析，从而在原子尺度上揭示点缺陷动力学和反应路径。

研究的详细工作流程包括数个关键步骤，涉及数据采集、深度学习模型构建与训练、缺陷识别与分类、以及后续的物理参数提取。

首先，研究对象是钼（Mo）掺杂的二维二硫化钨（WS2）单层样品。样品通过低压化学气相沉积法在SiO2/Si基底上生长，并经过聚合物辅助转移和处理，最终置于透射电镜载网上用于STEM观测。研究不涉及多样本统计，而是对一个特定样品区域进行持续的动态成像。

其次，核心是开发一个基于物理的深度学习框架。具体流程如下： 1. 数据获取与预处理：研究使用Nion UltraSTEM U100显微镜在100 kV加速电压下，以高角环形暗场成像模式采集Mo掺杂WS2在电子束照射下的动态图像序列（“电影”）。原始数据未经后处理直接输入分析流程。 2. 深度学习模型的设计与训练： * 模型选择：研究者采用了全卷积神经网络（Fully Convolutional Network, FCN）架构，具体是一种编码器-解码器结构。编码器部分通过卷积层和最大池化层提取特征并降维，解码器部分通过上采样层和卷积层将特征映射回原始图像尺寸，最终通过Softmax分类器实现像素级分类，输出每个像素属于“缺陷”的概率图。 * 训练策略的创新：其关键创新在于训练数据的生成方法。他们仅利用动态序列的第一帧图像来生成训练所需的“真实标签”。具体方法是：对该帧图像进行全局快速傅里叶变换（FFT），在倒易空间应用高通滤波器以去除非周期性成分，再进行逆FFT得到理想周期性晶格图像。将原始图像与理想周期性图像相减，得到突出显示缺陷（表现为亮斑）的差异图。对此差异图进行阈值处理，生成一个二值化的“地面实况”掩膜，其中缺陷位置被标记。通过数据增强技术（如旋转、平移）扩展单张图像及其掩膜，构建出训练集。 * 模型优势：此方法训练的CNN模型仅依赖于图像的局部特征（如边缘信息）来识别破坏周期性的缺陷，因此即使在后期的图像中，晶格因形成扩展缺陷、旋转或碎片化而失去长程周期性时，模型依然能稳健地工作，成为一个针对该材料的“通用”缺陷探测器。 3. 缺陷的识别与分类： * 使用训练好的CNN模型（测试集准确率约99%）处理整个动态STEM电影，快速定位每一帧中所有的原子尺度缺陷。 * 从CNN输出的概率图中，以每个缺陷为中心裁剪出固定大小的小图像（“窗口”）。 * 对所有提取出的缺陷窗口（本研究约10^4个），采用无监督聚类方法——高斯混合模型（Gaussian Mixture Model, GMM）进行分类。研究者根据贝叶斯信息准则等判断，选择将缺陷分为五类最能体现其物理结构。 4. 物理过程的定量分析： * 扩散系数计算：针对特定类别的缺陷（如硫空位），研究者从动态数据中提取其连续或准连续的时空轨迹。通过分析轨迹在二维平面上的投影，计算其均方位移，并基于二维随机行走模型估算出硫空位的扩散系数，其值介于3×10^{-4} 到 6×10^{-4} nm²/s之间。 * 局部晶体学分析：对于与钼掺杂剂相关的缺陷类别（GMM分类中的类别1和3），研究者进一步分析其精细结构。他们使用另一个深度学习“原子查找器”从成千上万的缺陷图像中精确定位原子位置（主要为W原子，因实验分辨率限制无法可靠识别S原子）。然后对每个缺陷结构中中心Mo原子及其周围W原子的位移进行主成分分析（Principal Component Analysis, PCA），以揭示统计上显著的局部晶格畸变模式。 * 缺陷构型转换与马尔可夫分析：基于PCA分析结果和晶格对称性考虑，他们将Mo相关的缺陷进一步细分为四个子类：一个未畸变的Mo取代W原子缺陷，以及三个Mo与相邻硫空位形成的复合体。通过分析这些子类缺陷在时间上的连续轨迹，他们构建了描述缺陷在不同构型之间切换概率的马尔可夫转移矩阵，从而在单缺陷水平上量化了反应常数。

研究的主要结果如下： 1. 缺陷的有效识别：尽管CNN模型仅用第一帧图像训练，它成功、准确地识别了后续所有帧（共100帧）中的缺陷位置，证明了模型强大的泛化能力和对晶格破碎情况的鲁棒性。这解决了传统FFT方法无法处理多晶畴或晶格碎片图像的难题。 2. 缺陷的无监督分类：GMM将缺陷分为五个物理上可解释的类别：(a) 类别1和3：对应于钨（W）亚晶格中的低原子序数取代原子，被解释为钼（Mo）掺杂剂，但其位置不对称，暗示存在硫（S）亚晶格无序的耦合；(b) 类别4和5：分别对应于W空位和S空位；© 类别2：被解释为电子束诱导表面转变过程中产生的吸附原子/“污染物”。 3. 缺陷动态行为分类：通过时空轨迹图，研究者识别出三种特征性统计行为：弱运动轨迹、较强的扩散运动以及“不相关事件”/“闪烁”。钼掺杂剂缺陷表现出可逆的构型切换行为。 4. 硫空位扩散的量化：通过分析硫空位缺陷的连续轨迹，成功估算了其在二维WS2晶格中的扩散系数，为理解点缺陷迁移率提供了关键数据。 5. 钼-硫复合体构型转换的微观机制：局部晶体学分析表明，与钼掺杂剂相关的结构变异很可能源于相邻硫空位的存在。马尔可夫转移矩阵分析进一步揭示，孤立的Mo掺杂剂会与附近的硫空位耦合形成复合体，并且不同构型的复合体之间也存在转换概率。这些概率的差异可能与电子束诱导转变过程中应变场的不均匀分布及其对不同晶向扩散特性的影响有关。

研究的结论是，团队成功开发并展示了一个基于深度学习的框架，用于自动分析动态STEM数据。该框架能够从单张训练图像开始，高效识别原子尺度缺陷，对其进行无监督分类，并最终提取出点缺陷扩散系数和构型转换概率等关键动力学参数。这项研究的意义在于，它将人工智能与原子尺度显微术深度融合，建立了一套从海量动态图像数据中自动、定量提取材料科学描述符（如反应路径、缺陷动力学）的完整工作流程。这不仅大大加速了数据分析过程，更重要的是，它使得在原子尺度上系统研究固态反应和相变动力学成为可能，为理解材料在外部刺激下的演化机制提供了全新且强大的工具。

本研究的亮点在于：第一，方法学上的创新性，提出了一种仅需单帧图像即可训练“通用”缺陷探测器的策略，巧妙地将物理先验知识（缺陷破坏周期性的本质）融入深度学习训练过程；第二，分析流程的完整性，从缺陷检测、无监督分类到动力学参数（扩散系数）和反应概率（马尔可夫矩阵）的提取，形成了一条完整的分析链条；第三，对科学问题的深入洞察，不仅实现了缺陷识别，还进一步揭示了Mo掺杂剂与S空位的耦合行为及其动态转换机制，这是传统手动分析难以系统完成的；第四，该框架具有普适性，可推广应用于其他材料体系和电子束诱导或热诱导等各类动态过程的分析，为将STEM转化为一个智能化的原子尺度分析和制造平台奠定了基础。

此外，论文在最后展望了未来方向，指出将更多基于物理的约束（如第一性原理计算的相互作用势、跃迁概率限制）整合到机器学习分析中，将有助于创建更自主、更理解物理的“人工智能显微镜”，这指明了该领域一个重要的发展趋势。研究的所有数据分析代码（以Jupyter Notebook形式）已公开，促进了该方法的可重复性和进一步应用。