Une étude publiée dans la revue Molecules et menée par des chercheurs de l’Institut d’optique, de mécanique fine et de physique de Changchun (CIOMP), affilié à l’Académie chinoise des sciences, montre comment l’apprentissage profond peut automatiser la détection des défauts à l’échelle atomique dans le disulfure de molybdène (MoS₂), un matériau bidimensionnel prometteur pour les électroniques de nouvelle génération. Les matériaux 2D comme le MoS₂ présentent des propriétés électroniques et mécaniques exceptionnelles, mais leur performance dépend fortement de la présence ou de l’absence de défauts à l’échelle atomique. Ces imperfections, même minimes, peuvent altérer significativement les performances des dispositifs. Traditionally, l’identification de ces défauts repose sur l’analyse manuelle d’images obtenues par microscopie électronique à transmission (MET), une méthode longue, sujette à l’erreur humaine et peu adaptée à une analyse à grande échelle. Dans cette étude, les chercheurs ont développé un modèle d’apprentissage profond capable d’analyser automatiquement des images MET du MoS₂ et de repérer avec précision les défauts tels que les lacunes, les impuretés ou les dislocations cristallines. En formant le modèle sur un ensemble étendu d’images annotées, ils ont permis à l’algorithme d’apprendre les caractéristiques distinctives des défauts, même dans des conditions de bruit ou de variation d’illumination. Les résultats montrent que le système d’apprentissage profond atteint une précision supérieure à 95 % dans la détection des défauts, tout en réduisant considérablement le temps nécessaire à l’analyse par rapport aux méthodes manuelles. De plus, il permet une cohérence accrue dans l’évaluation des matériaux, ce qui est essentiel pour le contrôle qualité dans les processus de fabrication. Cette approche ouvre la voie à une caractérisation rapide et fiable des matériaux 2D, essentielle pour leur intégration dans des applications industrielles, notamment dans les transistors à effet de champ, les capteurs sensibles ou les dispositifs optoélectroniques. En automatisant une tâche auparavant chronophage, l’apprentissage profond accélère non seulement la recherche fondamentale, mais aussi le développement de technologies basées sur les matériaux atomiquement minces.