摘要：研究团队提出了一种结合生成模型与深度神经网络的新方法，可实现范德华异质结构界面原子排布的自动化精准解析，精度达到皮米级，推动了二维材料结构解析的智能化与高通量发展。

研究团队提出了一种结合生成模型与深度神经网络的新方法，可实现范德华异质结构界面原子排布的自动化精准解析，精度达到皮米级，推动了二维材料结构解析的智能化与高通量发展。

二维范德华（vdW）材料通过层间滑移或旋转，可形成丰富的堆叠结构，其周期性马赛克图案（moiré）对超导、铁电性和拓扑态等新奇物性有重要影响。然而，原子尺度的结构解析主要依赖人力分析扫描透射电子显微镜（STEM）图像，存在效率低、主观性强和容错差等问题。传统机器学习方法受限于标注数据稀缺，难以广泛应用于复杂结构解析。

研究人员开发了一种“三叉戟策略增强的解耦表示学习方法”（Trident-DRIT），结合少量未标注实验图像和大量模拟图像，生成与实验图像风格一致、结构精准的大规模训练数据集。随后，利用残差神经网络（ResNet）建立结构推理模型，实现对不同材料（如 MoS₂、ReS₂ 等）在双层和三层堆叠结构下的层间滑移与扭转角的自动识别。该方法不仅能识别结构过渡界面和微小图案变化，还能区分频域中难以识别的 moiré 模式。

• 高精度建模：可精确还原图像中原子位置差异仅为皮米级的复杂堆叠结构，推理误差可低至0.03 Å。

• 适应性强：在图像信噪比低、存在缺陷或污染的情况下仍保持鲁棒性，适用于不同显微镜类型与成像条件。

• 拓展能力强：支持双层、三层及不同材料体系的结构解析，并推广至不同的堆叠模式（滑移和旋转）。

• 高通量分析：对含数十万原子的图像可在分钟级时间内完成精确结构重建，效率远超人工分析。

• 科学发现：揭示了 ReS₂ 层间堆叠行为类似“超润滑”，表明多种热力学稳定结构可能共存，拓展了范德华外延理解。

来源：科学巅峰汇