Сверточные нейронные сети для предсказания морфологических и нелинейно-оптических свойств тонких пленок квазидвумерных материалов

Обложка

Цитировать

Полный текст

Аннотация

Двумерные материалы являются перспективными кандидатами для создания планарных фотонных устройств. Основной проблемой использования таких материалов для прикладных применений является сложность создания пленок заданных геометрических параметров. Так, пленки двумерных материалов, изготовленные методами отщепления или химического осаждения, обычно распределяются случайным образом по большой площади и имеют большой разброс толщин. В данной работе мы используем сверточные нейронные сети для предсказания толщины пленки квазидвумерного материала на основе данных оптической микроскопии. В качестве тестового материала был выбран гексагональный нитрид бора, активно использующийся при создании плоских электронный и оптоэлектронных устройств. Благодаря высокому пространственному разрешению микроскопии удается добиться большой точности в предсказании толщин ровных областей образца, что позволяет проводить быструю характеризацию структур. Кроме того, на примере сигнала третьей оптической гармоники, мы показываем возможность предсказания величины нелинейно-оптического отклика пленки, что расширяет область применимости метода.

Об авторах

А. А. Попкова

МГУ имени М. В. Ломоносова

Email: popkova@nanolab.phys.msu.ru
119991, Москва, Россия

А. А. Федянин

МГУ имени М. В. Ломоносова

Автор, ответственный за переписку.
Email: popkova@nanolab.phys.msu.ru
119991, Москва, Россия

Список литературы

  1. F. Xia, H. Wang, D. Xiao, M. Dubey, and A. Ramasubramaniam, Nat. Photonics 8(12), 899 (2014).
  2. S. Susarla, A. Kutana, J.A. Hachtel, V. Kochat, A. Apte, R. Vajtai, J.C. Idrobo, B. I. Yakobson, C. S. Tiwary, and P.M. Ajayan, Adv. Mater. 29, 1702457 (2017).
  3. J.M. Dawlaty, S. Shivaraman, M. Chandrashekhar, F. Rana, M.G. Spencer, Appl. Phys. Lett. 92, 042116 (2008).
  4. A.A. Popkova, A.A. Chezhegov, M.G. Rybin, I.V. Soboleva, E.D. Obraztsova, V.O. Bessonov, and A.A. Fedyanin, Adv. Opt. Mater. 10(4), 2101937 (2022).
  5. Y. Chen, J. Xi, D.O. Dumcenco, Z. Liu, K. Suenaga, D. Wang, Z. Shuai, Y.-S. Huang, and L. Xie, ACS Nano 7, 4610 (2013).
  6. Л.В. Котова, Л.А. Алтынбаев, М.О. Жукова, Б.Т. Хоган, А. Балдычева, М.А. Калитеевский, В.П. Кочерешко, Известия РАН. Серия физическая 86(7), 976 (2022).
  7. C. Ma, C. Wang, B. Gao, J. Adams, G. Wu, and H. Zhang, Appl. Phys. Rev. 6, 041304 (2019).
  8. Y.Wu, D.B. Farmer, F. Xia, and P. Avouris, Proc. IEEE 101(7), 1620 (2013).
  9. G. Cassabois, P. Valvin, and B. Gil, Nat. Photonics 10, 262 (2016).
  10. Е.Н. Опарин, М.О. Жукова, В. Г. Булгакова, С.А. Позднякова, А.Н. Цыпкин, Фотоника 14(3), 264 (2020).
  11. R. Frisenda, E. Navarro-Moratalla, P. Gant, D.P. De Lara, P. Jarillo-Herrero, R.V. Gorbachev, and A. Castellanos-Gomez, Chem. Soc. Rev. 47, 53 (2018).
  12. A. Crovetto, P.R. Whelan, R. Wang, M. Galbiati, S. Hofmann, and L. Camilli, ACS Appl. Mater. Interfaces 10, 25804 (2018).
  13. E. Moen, D. Bannon, T. Kudo,W. Graf, M. Covert, and D. van Valen, Nat. Methods 16, 1233 (2019).
  14. A. Garcia-Garcia, S. Orts-Escolano, S. Oprea, V. Villena-Martinez, P. Martinez-Gonzalez, and J.A. Garcia-Rodriguez, Appl. Soft Comput. 70, 41 (2018).
  15. К.Р. Сафронов, В.О. Бессонов, А.А. Федянин, Письма в ЖЭТФ 114(6), 360 (2021).
  16. X. Han, Z. Fan, Z. Liu, C. Li, and L. J. Guo, InfoMat 3(4), 432 (2021).
  17. S. An, C. Fowler, B. Zheng, M.Y. Shalaginov, H. Tang, H. Li, L. Zhou, J. Ding, A.M. Agarwal, C. Rivero- Baleine, K.A. Richardson, T. Gu, J. Hu, and H. Zhang, ACS Photonics 6(12), 3196 (2019).
  18. Р.Ш. Минязев, А.А. Румянцев, С.А. Дыганов, А.А. Баев, Известия РАН. Серия физическая 82(12), 1685 (2018).
  19. А.И. Мусорин, А.С. Шорохов, А.А. Чежегов, Т. Г. Балуян, К.Р. Сафронов, А.В. Четвертухин, А.А. Грунин, А.А. Федянин, УФН 66 (2023); https://doi.org/10.3367/UFNr.2023.07.039505.
  20. T. Yan, J. Wu, T. Zhou, H. Xie, F. Xu, J. Fan, L. Fang, X. Lin, and Q. Dai, Phys. Rev. Lett. 123(2), 023901 (2019).
  21. Y. Saito, K. Shin, K. Terayama, S. Desai, and M. Onga, Y. Nakagawa, Y.M. Itahashi, Y. Iwasa, M. Yamada, and K. Tsuda, npj Comput. Mater. 5, 1 (2019).
  22. X. Dong, H. Li, Z. Jiang, T. Gr¨unleitner, I. G¨uler, J. Dong, and A.W. Koch, ACS Nano 15(2), 3139 (2021).
  23. O. Ronneberger, P. Fischer, and T. Brox, Unet: Convolutional networks for biomedical image segmentation, in Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015: 18th International Conference, Munich, Germany, Proceedings, Springer International Publishing (2015), part III 18, p. 234.
  24. М.Ю. Еремчев, Письма вЖЭТФ 118(4), 282 (2023).
  25. A.A. Popkova, I.M. Antropov, J. E. Froch, S. Kim, I. Aharonovich, V.O. Bessonov, A. S. Solntsev, AND A.A. Fedyanin, ACS Photonics 8(3), 824 (2021).
  26. X. S. Kong, X.Y. Wu, L. Geng, and W.D. Yu, Front. Phys. 10, 1032671 (2022).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».