DOI: https://doi.org/10.1038/s41524-026-02025-w
تاريخ النشر: 2026-04-27
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تقنيات المجهر الإلكتروني المتقدم وتطبيقاتها
نظرة عامة
تقدم هذه الدراسة طريقة مستقلة جديدة لتصنيع العيوب على مستوى الذرات في المواد، مع التركيز بشكل خاص على طبقات MoS₂ الأحادية. باستخدام مجهر الإلكترون الناقل الماسح (STEM) مع تقنيات التعلم الآلي المتقدمة، يظهر المؤلفون طردًا محكومًا لذرات الكبريت من MoS₂ لإنشاء هياكل حواف مصممة من أسلاك MoSnanowires (MoS-NW). تستخدم العملية تصوير الحقل المظلم الحلقي بزاوية عالية (HAADF) للحصول على تغذية راجعة في الوقت الحقيقي حول تطور العيوب، بينما يقوم إطار العمل للتعلم الآلي – الذي يدمج نموذج الغابة العشوائية والشبكات العصبية التلافيفية (CNN) – بفك تشفير صور HAADF لتحديد المواقع والأنواع الذرية بدقة. يتم إدخال هذه المعلومات في منصة اتخاذ قرارات مستقلة توجه تركيز شعاع الإلكترون ومدة التعرض لتحقيق معالجة ذرية دقيقة.
تشير النتائج إلى أن هياكل حواف MoS-NW المصنوعة تظهر خصائص ميكانيكية وإلكترونية واعدة، مما يشير إلى إمكانية تطبيقات كبيرة في استشعار الكم والاتصالات. من المهم أن إطار التصنيع المستقل المقترح غير مرتبط بمادة معينة، مما يسمح بتمديده إلى مواد ثنائية الأبعاد أخرى، مما يمكّن من إنشاء هياكل عيوب وهياكل غير متجانسة متنوعة تتجاوز MoS₂. تمثل هذه التقدم خطوة كبيرة نحو تحقيق تصنيع دقيق ذري، وهو أمر حاسم لتطوير مواد الجيل التالي بخصائص وظيفية محددة.
النتائج
تحدد قسم النتائج سير عمل جديد يستفيد من نماذج التعلم الآلي المتقدمة لتحويل البيانات في الوقت الحقيقي من كواشف الحقل المظلم الحلقي بزاوية عالية (HAADF) إلى هويات ذرية وإحداثيات للتصنيع المستهدف. تتيح هذه العملية التحكم الدقيق في لفائف مسح STEM لتصنيع هياكل عيوب معقدة داخل نظام مادة MoS\(_2\). تستند الدراسة إلى أعمال سابقة لـ Roccapriore وآخرين، مما يظهر سير عمل محسّن لفك التشفير والتصنيع مدمج في منصة برنامج Nion Swift لميكروسكوب Nion UltraSTEM 100.
يتكون سير العمل التكراري من عدة خطوات رئيسية: الحصول على صورة HAADF، فك تشفير الصورة لتحديد وتصنيف مواقع الذرات، وتوليد قائمة بمواقع الذرات للتعرض المتسلسل لشعاع الإلكترون. يستخدم النظام إما وحدة التحكم الأصلية Nion Swift أو نظام تحكم قائم على FPGA، A R T I C، لتنفيذ إزالة الذرات المستهدفة. تتضمن كل دورة تصحيح الانجراف لضمان الدقة، مع استخدام صورة مرجعية للتداخل المتبادل للحفاظ على مجال رؤية ثابت (FOV) طوال عملية التصنيع. تشير النتائج إلى تقدم كبير في القدرة على إنتاج هياكل ذرية معقدة، مما يعزز الإمكانية لخصائص مواد مصممة في التطبيقات النانوية.
المناقشة
في هذه الدراسة، طورنا إطار عمل للتعلم الآلي (ML) لتصنيع هياكل MoS-NW بشكل مستقل من خلال استخدام تصوير الحقل المظلم الحلقي بزاوية عالية (HAADF) وإزالة الذرات المستهدفة في طبقات MoS₂ الأحادية. يستخدم الإطار مجموعة من الشبكات العصبية التلافيفية (CNNs) لتصنيف مواقع الذرات بدقة إلى أربع فئات: مواقع الموليبدينوم (Mo) والكبريت (S) القياسية، وخطوط فراغ الكبريت (SVL)، ومواقع الشواذ التي تشير إلى تشكيل الأسلاك النانوية (NW). يعزز مصنف الغابة العشوائية من قوة التصنيف متعدد الفئات، مما يميز بشكل خاص الفروق الدقيقة بين مواقع Mo وSVL. تسهل مخرجات هذا الإطار ML استهدافًا دقيقًا لتعرض الشعاع، مما يسمح بإزالة محكومة لذرات الكبريت، وهو أمر حاسم للتصنيع الموثوق للثقوب النانوية وهياكل MoS-NW اللاحقة.
تدمج سير العمل التجريبي نظام مسح مخصص يتحكم فيه FPGA، مما يمكّن من مسارات شعاع مرنة ودقة استهداف محسنة. من خلال إزالة ذرات الكبريت بشكل انتقائي، أظهرنا أن تشكيل هياكل MoS-NW يتم بشكل أكثر فعالية مقارنة باستهداف مواقع Mo، التي تكون أقل تحكمًا بسبب عتبات الإزاحة الأعلى. تم مراقبة العملية التكرارية لإنشاء الثقوب النانوية ونمو MoS-NW من خلال تصوير HAADF، مع توفير إطار ML تغذية راجعة في الوقت الحقيقي حول التكوينات الذرية. تشير النتائج إلى أن نهجنا لا يعزز فقط دقة تصنيع العيوب ولكن أيضًا يوفر منصة قابلة للتوسع قابلة للتكيف مع مواد ثنائية الأبعاد أخرى وأنواع العيوب، مما يمهد الطريق للتقدم المستقبلي في التصنيع النانوي المستقل.
DOI: https://doi.org/10.1038/s41524-026-02025-w
Publication Date: 2026-04-27
Author(s): Zhenyun Du et al.
Primary Topic: Advanced Electron Microscopy Techniques and Applications
Overview
This research presents a novel autonomous method for the fabrication of atomic-level defects in materials, specifically targeting MoS₂ monolayers. Utilizing scanning transmission electron microscopy (STEM) combined with advanced machine learning techniques, the authors demonstrate the controlled ejection of sulfur atoms from MoS₂ to create tailored edge structures of MoSnanowires (MoS-NW). The process employs high-angle annular dark-field (HAADF) imaging for real-time feedback on defect evolution, while a machine learning framework—integrating a random forest model and convolutional neural networks (CNN)—decodes HAADF images to accurately identify atomic positions and species. This information feeds into an autonomous decision-making platform that directs the electron beam’s focus and exposure duration to achieve precise atomic manipulation.
The findings indicate that the fabricated MoS-NW edge structures exhibit promising mechanical and electronic properties, suggesting the potential for significant applications in quantum sensing and communications. Importantly, the proposed autonomous fabrication framework is material-agnostic, allowing for its extension to other two-dimensional materials, thereby enabling the creation of diverse defect structures and heterostructures beyond MoS₂. This advancement represents a significant step toward achieving atomically precise fabrication, which is crucial for the development of next-generation materials with specific functional properties.
Results
The results section outlines a novel workflow that leverages advanced machine learning models to convert real-time data from High-Angle Annular Dark Field (HAADF) detectors into atomic identities and coordinates for targeted fabrication. This process enables precise control of STEM scan coils to fabricate complex defect structures within the MoS\(_2\) material system. The study builds upon previous work by Roccapriore et al., demonstrating an enhanced decoding and fabrication workflow integrated into the Nion Swift software platform for the Nion UltraSTEM 100 microscope.
The iterative workflow consists of several key steps: acquiring a HAADF image, decoding the image to identify and classify atom positions, and generating a list of atomic sites for sequential electron beam exposure. The system utilizes either the native Nion Swift controller or an FPGA-based control system, A R T I C, to execute targeted atom removal. Each cycle includes drift correction to ensure accuracy, with a reference image used for cross-correlation to maintain consistent field of view (FOV) throughout the fabrication process. The results indicate a significant advancement in the capability to produce intricate atomic structures, enhancing the potential for tailored material properties in nanoscale applications.
Discussion
In this study, we developed a machine learning (ML) framework for the autonomous fabrication of MoS-NW structures by utilizing high-angle annular dark field (HAADF) imaging and targeted atom removal in MoS₂ monolayers. The framework employs an ensemble of convolutional neural networks (CNNs) to accurately classify atom sites into four categories: standard molybdenum (Mo) and sulfur (S) sites, sulfur vacancy lines (SVL), and outlier sites indicative of nanowire (NW) formation. The random forest classifier enhances the robustness of multi-class classification, particularly distinguishing subtle differences between Mo and SVL sites. The output of this ML framework facilitates precise targeting for beam exposure, allowing for controlled removal of sulfur atoms, which is crucial for the reliable fabrication of nanopores and subsequent MoS-NW structures.
The experimental workflow integrates a customized FPGA-controlled scanning system, enabling flexible beam paths and improved targeting accuracy. By selectively removing sulfur atoms, we demonstrated that the formation of MoS-NW structures is more effectively achieved than by targeting Mo sites, which are less controllable due to their higher displacement thresholds. The iterative process of nanopore creation and MoS-NW growth was monitored through HAADF imaging, with the ML framework providing real-time feedback on atomic configurations. The results indicate that our approach not only enhances the precision of defect fabrication but also offers a scalable platform adaptable to other two-dimensional materials and defect types, paving the way for future advancements in autonomous nanoscale fabrication.