원자 분해능 STEM의 결함 분류를 위한 문맥 인식 딥러닝 (Context-Aware Deep Learning)

인공지능 (AI)은 재료 특성 분석 (materials characterization) 분야를 빠르게 발전시키고 있지만, 전자 현미경 (electron microscopy)에서의 대부분의 응용 사례는 이미지 대비 (image contrast)에만 전적으로 의존하며, 이미지 형성을 결정짓는 화학적 및 실험적 문맥 (context)을 간과하고 있습니다. 이러한 한계는 유사한 대비가 서로 다른 재료나 이미징 조건에서 발생할 수 있기 때문에 결함 분류 (defect classification)를 본질적으로 모호하게 만듭니다. 본 연구에서는 이미지에서 유도된 대비와 조성 (composition), 빔 에너지 (beam energy), 검출기 기하학 (detector geometry)을 설명하는 메타데이터 (metadata)를 통합하는 문맥 인식 학습 프레임워크 (context-aware learning framework)를 개발합니다. 96개의 도핑된 단층 전이 금속 디칼코게나이드 (transition-metal dichalcogenides)에 걸친 576개 사례를 아우르는 약 5,500만 개의 시뮬레이션 패치 (simulated patches)로 체계적으로 구축된 데이터셋을 사용하여, 문맥 변수 (contextual variables)를 조건화 (conditioning)함으로써 결함 분류를 부적절하게 정의된 (ill-posed) 이미지 전용 작업에서 물리적으로 근거가 있는 잘 정의된 (well-posed) 문제로 전환할 수 있음을 보여줍니다. 이 프레임워크는 시뮬레이션에서 98% 이상의 정확도를 달성하고 실험 데이터에서 인간과 유사한 일치도를 보였으며, 사후 엔트로피 (posterior entropy)를 94% 감소시켰습니다. 아키텍처의 복잡성보다 문맥적 근거 (contextual grounding)를 강조함으로써, 이 접근 방식은 실험적 이미지 대비를 근본적인 화학적 및 이미징 조건과 연결하여 물리적으로 근거 있는 결함 할당을 지원하고, 자율 재료 특성 분석을 위한 멀티모달 AI (multimodal AI) 모델로 향하는 일반적인 경로를 제시합니다.