Une approche deep learning pour déterminer les indices chiraux des nanotubes de carbone à partir d’images de microscopie électronique à transmission haute résolution

Stimulé par les avancées dans la fabrication de dispositifs électroniques à base de nanotubes de carbone, notre objectif est de faciliter l’identification de la structure des nanotubes, caractérisée par les indices de Hamada (n, m), dans les échantillons expérimentaux. La microscopie électronique à transmission à haute résolution (HRTEM) est un outil puissant pour y parvenir. Cependant, l’analyse des images est délicate et peut être fastidieuse pour de grands échantillons. Nous avons mis au point une procédure automatisée de reconnaissance d’images, basée sur un réseau de neurones convolutif, permettant une identification facile et rapide de l’hélicité des nanotubes.
Les réseaux de neurones ont permis la classification d’images dans de nombreux domaines, mais il est souvent difficile d’obtenir des données d’entrainement de haute qualité en quantité suffisante. Dans le cas présent, nous générons un large ensemble d’images de référence, en utilisant des méthodes numériques bien établies : dynamique moléculaire pour générer des structures atomiques réalistes, et technique multi-slice pour la simulation des images HRTEM correspondantes. Après entrainement du système de deep learning sur cette base de données, l’application aux images HRTEM expérimentales se révèle fiable et rapide. Un démonstrateur de notre logiciel d’analyse de la structure des nanotubes de carbone à partir d’images TEM haute résolution est accessible sur : http://hrtem-analysis.fr

Référence
Georg Daniel Förster, Alice Castan, Annick Loiseau, Jaysen Nelayah, Damien Alloyeau, Frédéric Fossard, Christophe Bichara, Hakim Amara
A deep learning approach for determining the chiral indices of carbon nanotubes from high-resolution transmission electron microscopy images. Carbon, 169, 465–474, 2020.
https://doi.org/10.1016/j.carbon.2020.06.086