Forscher des Instituts für Optik, Feinmechanik und Physik in Changchun (CIOMP) der Chinesischen Akademie der Wissenschaften haben in einer in Molecules veröffentlichten Studie gezeigt, wie tiefes Lernen die Erkennung atomarer Defekte in Molybdändisulfid (MoS₂), einem vielversprechenden zweidimensionalen (2D) Material für zukünftige Elektronik, erheblich beschleunigt. Traditionell erfordert die Analyse solcher Defekte in atomarer Auflösung zeitaufwändige und fehleranfällige manuelle Untersuchungen mittels Rasterelektronenmikroskopie (REM) oder Rastertunnelmikroskopie (RTM). Die neue Methode nutzt neuronale Netzwerke, die auf umfangreichen Datensätzen von hochauflösenden Mikroskopiebildern trainiert wurden, um Defekte wie Gitterlücken, Atomanomalien oder Verunreinigungen automatisch und mit hoher Genauigkeit zu identifizieren. Die KI-basierte Methode reduziert die Analysezeit erheblich und minimiert menschliche Subjektivität, was besonders wichtig ist, wenn es um die Qualitätssicherung in der Produktion von 2D-Materialien geht. Die Forscher konnten zeigen, dass das Modell nicht nur bekannte Defekte erkennt, sondern auch bisher unbekannte oder seltene Muster entdeckt, was die Entdeckung neuer Materialfehler fördern könnte. Die Ergebnisse sind besonders relevant für die Entwicklung von Transistoren, Sensoren und optoelektronischen Bauelementen, bei denen die Präzision der atomaren Struktur entscheidend für die Leistung ist. Die Technologie könnte in Zukunft in industriellen Produktionsprozessen integriert werden, um die Qualität von 2D-Materialien in Echtzeit zu überwachen und die Entwicklung neuartiger Halbleitermaterialien zu beschleunigen. Industrieexperten sehen die Studie als bedeutenden Fortschritt in der Materialforschung, der die Automatisierung von Materialcharakterisierung auf atomarer Ebene vorantreibt. „Die Kombination von hochauflösender Mikroskopie und tiefem Lernen ist ein Schlüssel für die nächste Generation der Materialentwicklung“, kommentierte ein Experte für Nanotechnologie. CIOMP ist weltweit anerkannt für seine Forschung in der Optik und Materialwissenschaft, insbesondere in der Entwicklung von Mikroskopie- und Sensortechnologien. Die Ergebnisse könnten auch Anwendung in anderen 2D-Materialien wie Graphen oder Wolframdiselenid finden und die Grundlage für intelligente Qualitätskontrollsysteme in der Halbleiterindustrie bilden.