跳到正文
Science Advances· Xiaocang Han; Yuan Meng; Qilong Cai; Yanhui Hong; Zanlin Qiu; Weiwei Hu; Shu Miao; Kangshu Li; Jun Zhao; Fanqi Meng; Xiao Hai; Zezhong Zhang; Jiong Lu; Jin Zhang; Xiaoxu Zhao·· 来源仅提供日期AI 评分43

CycleGAN-UNet 框架实现原子级分散催化剂的表观 Z 高度成像

Deep learning–assisted electron microscopy for apparent Z-height mapping of atomically dispersed catalysts

AI 导读

物理信息驱动、域自适应的 CycleGAN-UNet 框架可将 STEM 二维投影转为原子级分散催化剂的定量表观 Z 高度原子图。该框架用 CycleGAN 把带高度标签的模拟图转换为类实验图像并保留原子坐标,在 Mn、Fe、Cu、Pd、Pt 与 am-C、黑磷、聚合氮化碳上原子检测精度约 95%,并在约 2 纳米分箱下完成 Z 高度分类。

已发表论文 · journal · 10.1126/sciadv.aef7673

本站摘要基于收录版本 v1(2026-11-13),原始摘要与 AI 导读固定保留。

IF(5) 14.8 · 2025 · 期刊参考指标

摘要 · AI 翻译

原子级分散催化剂(ADC)能够实现金属利用率和局部原子/电子结构的最大化,但使用球差校正扫描透射电子显微镜(AC-STEM)解析其实际原子构型,仍从根本上受到深度模糊性和复杂实验噪声的限制。现有的STEM–机器学习(ML)方法往往依赖理想模拟或人工标注,限制了其向真实ADC图像的迁移能力,并导致孤立原子、投影二聚体和小簇之间产生歧义。在此,我们开发了一种物理信息驱动、域自适应的CycleGAN-UNet框架,用于深度感知的ADC分析。CycleGAN将高度标注的模拟图像转换为类实验图像,同时保留原子坐标和表观Z高度标签;深度监督的UNet则同时执行原子定位和离散Z高度分类。针对载体的模拟进一步引入了依赖载体的背景衬度,包括均匀非晶碳(am-C)、具有局部厚度变化的am-C以及晶体载体,从而提高了该框架对不同ADC成像条件的适用性。在多种金属(Mn、Fe、Cu、Pd和Pt)和载体(am-C、黑磷和聚合物氮化碳)上,该框架实现了高原子检测精度(约95%)以及在约2纳米分箱下的可靠表观Z高度分类。通过编码与深度相关的束流展宽特征,该框架将传统的二维投影转化为定量的表观Z高度原子图。在孪位Pt/PCN催化剂中,它解析了随负载量变化的从孤立Pt单原子到Pt₂位点的转变,并将这些构型与脱氢芳构化活性相关联。该框架将STEM图像从投影原子图转变为用于ADC构效分析的定量、深度感知原子描述符。

来源:Science Advances · doi.org