扫描隧道显微镜 (STM) 是一种关键的表征技术，可以显示纳米结构的特定特征，因为它能够揭示掺杂或缺陷位点中局部电荷密度的变化。除了从实际样品中实验获取 STM 数据外，还有一种理论途径，可以通过对定义的纳米结构的计算来模拟 STM 图像。这项工作基于使用模拟 STM 数据训练深度卷积神经网络，提出了一种通过 (ML) 方法进行理论 STM 图像预测的替代途径。将基于 ML 的 B 掺杂和 N 掺杂石墨烯量子点的基于 ML 的 STM 预测与 STM 模拟在结构重排的准确性、电荷密度定位和计算资源需求方面进行比较。结果表明，ML 方法预测的 STM 图像在掺杂位点是准确的，而且与大型结构空位的模拟显示出良好的相似性。这项工作代表了在掺杂/缺陷石墨烯以及其他二维纳米材料的基于图像的表征例程中使用机器学习方法的新颖替代方案。



"点击查看英文标题和摘要"