La dimensionalidad reducida y las heteroestructuras de los materiales 2D los convierten en candidatos prometedores para la fabricación de dispositivos fotónicos y ópticos. Las propiedades eléctricas, mecánicas y ópticas de los materiales 2D dependen de su estructura en capas.
Un artículo publicado recientemente en la revista Advanced Theory and Simulations analizó un método de identificación aproximado para determinar el grosor de los materiales 2D utilizando nuevos enfoques de aprendizaje profundo. Los conjuntos de datos microscópicos se procesaron a través de tres arquitecturas de aprendizaje profundo para clasificación, segmentación y detección.
Posteriormente, una evaluación de imágenes con microscopía 2D con diferentes variaciones de contraste óptico aumentó las imágenes para determinar su robustez. Además, los modelos de aprendizaje profundo se optimizaron y evaluaron para la identificación de escamas de sulfuro de molibdeno (MoS 2 ) de una o varias capas cultivadas en sustrato de sílice/silicio (SiO 2 /Si) mediante deposición química de vapor (CVD).
Aplicación de Deep Learning para Identificación de Materiales 2D
La fabricación de dispositivos nanofotónicos, nanoópticos y cuánticos se ha vuelto más fácil con materiales 2D, dado que estos materiales tienen propiedades mecánicas, ópticas y eléctricas sobresalientes, junto con su dimensionalidad reducida al nivel de nanoescala. Además, su versatilidad de existencia heterogénea con apilamiento diferencial de copos 2D en números de capa específicos ha facilitado su integración en aplicaciones de detección y emisión. Además, el grosor de estos materiales 2D determina sus aplicaciones.
La microscopía de fuerza atómica (AFM), la espectroscopía de transmisión, las imágenes de fotoluminiscencia, la elipsometría espectroscópica, el contraste óptico, la reflexión y la espectroscopía Raman son las técnicas analíticas comúnmente utilizadas para medir el grosor de las escamas 2D.
Conoce más aquí
