SparseC-AFM：一种用于快速准确表征 MoS2 的深度学习方法-计算机科学-深度学习- AI辅助.pdf

SparseC-AFM：一种用于快速准确表征MoS2的深度学习方法

abaab

LeviHarris,MdJayedHossain,MufanQiu,RuichenZhang,PingchuanMa,Tianlong

abcb

Chen,JiaqiGu,SethArielTongay,andUmbertoCelano

aDepartmentofComputerScience,UniversityofNorthCarolina,ChapelHill

bSchoolofElectrical,ComputerandEnergyEngineering,ArizonaStateUniversity

cSchoolforMatter,TransportandEnergyEngineering,ArizonaStateUniversity

ABSTRACT

二维（2D）材料在纳米电子学中的使用日益增多，需要稳健的计量技术来进行电特性表征，尤其是在

大规模生产中。虽然像导电原子力显微镜（C-AFM）这样的原子力显微镜（AFM）技术提供了高精度，但由

于光栅扫描过程导致数据采集速度慢。为了解决这一问题，我们引入了稀疏C-AFM，这是一种深度学习

模型，能够快速准确地从稀疏的C-AFM扫描中重建二维材料如MoS的电导率图。我们的方法在各种扫描

本模式、基底和实验条件下都非常稳健。在这里，我们将（a.）经典流程实现与（b.）我们提出的SparseC-AFM

方法进行了比较，在经典流程实现中，需要手动解析高像素密度的C-AFM图像以提取相关材料参数（即

译采集时间约为15分钟），而在我们的SparseC-AFM方法中，相同操作可以在采集时间显著减少的数据集上

中执行（即少于5分钟）。SparseC-AFM使得在MoS中有效地提取关键材料参数成为可能，包括薄膜覆盖

率、缺陷密度以及识别晶粒边界、边缘和裂纹。与从全分辨率的C-AFM图像手动提取相同信息相比，我

1们实现了超过11减少获取时间的效果。此外，我们展示了我们的模型预测样本与使用经典流程扫描收集

v的全分辨率数据之间具有显著的类似的电气性能一致性。这项工作代表了将AI辅助的2D材料表征从实

7

2验室研究转化为工业制造的重要一步。所有代码和模型权重均可公开获取：/UNITES-

5Lab/sparse-cafm

3

1

.1.介绍

7

0过渡金属二硫属化物（TMDs）是由MX三层组成的层状材料，其中M通常是Mo或W，而X是S、

5Se或Te，其特点是平面内不同原子之间的共价键很强，而不同层之间的范德华力很弱。TMDs吸引人的电

2子和光电器件性能使其成为开发超薄体通道场效应晶体管（FET）架构研究的领先者。专门针对TMD生

:

v长技术的重大进展已经能够快速制造出需要表征的多个样品。

i

x

r1.1C-AFM材料表征

a

例如，材料的均匀性和大面积缺陷控制仍远低于半导体制造商的标准。此外，实现晶圆级探测固有材

料特性、外在（工艺引起的）缺陷和不均匀性仍然是一个关键挑战，阻碍了这些设备的全部潜力[1]。利用

高分辨率技术进行结构和成分分析，现有文献已经报道了TMDs的电子特性和TMD合成及器件制造所需

的各种工艺步骤之间的关系[2,3]。示例包括单个缺陷在应变条件下对光电器件特性的影响以及点缺陷、晶

界（GB）和皱纹与电传输性能之间的相关性[4–6]。然而