为了方便各位同学交流学习，解决讨论问题，我们建立了一些微信群，作为互助交流的平台。2.告知:姓名-课题组-研究方向，由编辑审核后邀请至对应交流群(生长，物性，器件)；欢迎投稿欢迎课题组投递中文宣传稿，免费宣传成果，发布招聘广告，具体联系人：13162018291（微信同号）成果介绍：
缺陷深刻影响材料的理化性能。高分辨透射电子显微镜是在原子尺度精准认知材料中包括缺陷在内的各种微观结构的有力手段。然而，当前对材料高分辨显微图像的分析主要依赖人工，存在效率低、精度差、个体偏差明显、难以获得统计学规律等局限。近年来，计算机视觉和人工智能的飞速发展为显微图像的高效分析提供了智能化解决方案。目前已在空位、掺杂、相态、层错等结构的识别和解析领域取得喜人进展。然而，基于显微图像像素特征开发的机器学习模型仍存在以下瓶颈：（1）小样本下监督学习的效果一般：透射电镜数据的获取和标注成本高，而少样本条件下训练的模型存在严重的过拟合现象。（2）模型泛化能力有限：现有机器学习方法通常一个模型只能识别一种简单缺陷结构。且利用经典卷积神经网络，在固定大小的像素块中进行特征提取难以适应材料微观结构的多样性，尤其在具有灵活晶格畸变结构的特征提取方面更为显著。
有鉴于此，国防科技大学王珊珊研究员、许可乐副研究员、罗政助理研究员，和北京大学张锦院士团队，利用晶体结构与图数据结构在表现形式上的相似性，开发了一种基于等变图神经网络的轻量化机器学习模型，实现了少样本训练条件下对空位、掺杂、晶界、空位线等多形态缺陷的一揽子高效指认，模型计算参量较卷积神经网络减少8000倍。基于模型识别的统计学结果，揭示了具有灵活畸变的空位线缺陷在电子辐照下的各向异性生长行为。此外，基于模型集成的概念构筑了支持多形态缺陷识别的任务链，实现了对大量原子分辨显微图像中多样化缺陷的批量自动识别，并从中发现了一种理论预测具有高催化活性的新型复合缺陷构型。该工作展示了机器学习方法如何助力材料显微学研究中新结构、新原理、新知识的探索与发现。
图文导读：
图1. 人工解析显微学数据的流程与图神经网络分析图数据的流程
图2. 基于等变图神经网络的缺陷识别框架示意图
图3. 不同材料体系的界面指认结果
图4. 空位线缺陷的识别结果及基于图数据统计分析下的空位线缺陷各向异性生长行为
图5. 模型集成下的复合缺陷构型识别及对应的催化性质预测
文献信息：
Exploring structure diversity in atomic resolution microscopy with graph （Adv. Mater., 2025, DOI:10.1002/adma.202417478）
文献链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202417478
上海昂维科技有限公
司现提供二维材料单晶和薄膜等耗材，器件和光刻掩膜版定制等微纳加工服务，以及各种测试分析，欢迎各位老师和同学咨询，
竭诚做好每一份服务。
